HCNQA: Enhancing 3D VQA with Hierarchical Concentration Narrowing Supervision
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Zhou, Shengli, Zhu, Jianuo, Huang, Qilin, Wang, Fangjing, Zhang, Yanfu, Zheng, Feng |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models
par: Zhou, Shengli, et autres
Publié: (2026)
par: Zhou, Shengli, et autres
Publié: (2026)
A Hierarchical Compression Technique for 3D Gaussian Splatting Compression
par: Huang, He, et autres
Publié: (2024)
par: Huang, He, et autres
Publié: (2024)
GaussianForest: Hierarchical-Hybrid 3D Gaussian Splatting for Compressed Scene Modeling
par: Zhang, Fengyi, et autres
Publié: (2024)
par: Zhang, Fengyi, et autres
Publié: (2024)
EgoTextVQA: Towards Egocentric Scene-Text Aware Video Question Answering
par: Zhou, Sheng, et autres
Publié: (2025)
par: Zhou, Sheng, et autres
Publié: (2025)
Modularized Zero-shot VQA with Pre-trained Models
par: Cao, Rui, et autres
Publié: (2023)
par: Cao, Rui, et autres
Publié: (2023)
DPC-VQA: Decoupling Quality Perception and Residual Calibration for Video Quality Assessment
par: Li, Xinyue, et autres
Publié: (2026)
par: Li, Xinyue, et autres
Publié: (2026)
Hierarchical Action Recognition: A Contrastive Video-Language Approach with Hierarchical Interactions
par: Zhang, Rui, et autres
Publié: (2024)
par: Zhang, Rui, et autres
Publié: (2024)
Context-aware TFL: A Universal Context-aware Contrastive Learning Framework for Temporal Forgery Localization
par: Yin, Qilin, et autres
Publié: (2025)
par: Yin, Qilin, et autres
Publié: (2025)
Zero-Shot Visual Grounding in 3D Gaussians via View Retrieval
par: Liao, Liwei, et autres
Publié: (2025)
par: Liao, Liwei, et autres
Publié: (2025)
Hierarchical Refinement of Universal Multimodal Attacks on Vision-Language Models
par: Zhang, Peng-Fei, et autres
Publié: (2026)
par: Zhang, Peng-Fei, et autres
Publié: (2026)
Towards Signboard-Oriented Visual Question Answering: ViSignVQA Dataset, Method and Benchmark
par: Nguyen, Hieu Minh, et autres
Publié: (2025)
par: Nguyen, Hieu Minh, et autres
Publié: (2025)
Querying Autonomous Vehicle Point Clouds: Enhanced by 3D Object Counting with CounterNet
par: Zhang, Xiaoyu, et autres
Publié: (2025)
par: Zhang, Xiaoyu, et autres
Publié: (2025)
Adaptive 3D Gaussian Splatting Video Streaming
par: Gong, Han, et autres
Publié: (2025)
par: Gong, Han, et autres
Publié: (2025)
Learning Brain Representation with Hierarchical Visual Embeddings
par: Zheng, Jiawen, et autres
Publié: (2026)
par: Zheng, Jiawen, et autres
Publié: (2026)
EAR: Enhancing Uni-Modal Representations for Weakly Supervised Audio-Visual Video Parsing
par: Li, Huilai, et autres
Publié: (2026)
par: Li, Huilai, et autres
Publié: (2026)
UniAV: Unified Audio-Visual Perception for Multi-Task Video Event Localization
par: Geng, Tiantian, et autres
Publié: (2024)
par: Geng, Tiantian, et autres
Publié: (2024)
Hierarchical Masked Autoregressive Models with Low-Resolution Token Pivots
par: Zheng, Guangting, et autres
Publié: (2025)
par: Zheng, Guangting, et autres
Publié: (2025)
Advancing Weakly-Supervised Audio-Visual Video Parsing via Segment-wise Pseudo Labeling
par: Zhou, Jinxing, et autres
Publié: (2024)
par: Zhou, Jinxing, et autres
Publié: (2024)
Enhancing 3D Gaussian Splatting Compression via Spatial Condition-based Prediction
par: Ma, Jingui, et autres
Publié: (2025)
par: Ma, Jingui, et autres
Publié: (2025)
Learn 3D VQA Better with Active Selection and Reannotation
par: Zhou, Shengli, et autres
Publié: (2025)
par: Zhou, Shengli, et autres
Publié: (2025)
Enhancing Vision-Language Tracking by Effectively Converting Textual Cues into Visual Cues
par: Feng, X., et autres
Publié: (2024)
par: Feng, X., et autres
Publié: (2024)
DanceCamera3D: 3D Camera Movement Synthesis with Music and Dance
par: Wang, Zixuan, et autres
Publié: (2024)
par: Wang, Zixuan, et autres
Publié: (2024)
ReLaX-VQA: Residual Fragment and Layer Stack Extraction for Enhancing Video Quality Assessment
par: Wang, Xinyi, et autres
Publié: (2024)
par: Wang, Xinyi, et autres
Publié: (2024)
Mono3DVG-EnSD: Enhanced Spatial-aware and Dimension-decoupled Text Encoding for Monocular 3D Visual Grounding
par: Li, Yuzhen, et autres
Publié: (2025)
par: Li, Yuzhen, et autres
Publié: (2025)
Hierarchical Sub-action Tree for Continuous Sign Language Recognition
par: Yang, Dejie, et autres
Publié: (2025)
par: Yang, Dejie, et autres
Publié: (2025)
SCENEFORGE: Enhancing 3D-text alignment with Structured Scene Compositions
par: Sbrolli, Cristian, et autres
Publié: (2025)
par: Sbrolli, Cristian, et autres
Publié: (2025)
VideoForest: Person-Anchored Hierarchical Reasoning for Cross-Video Question Answering
par: Meng, Yiran, et autres
Publié: (2025)
par: Meng, Yiran, et autres
Publié: (2025)
HiScene: Creating Hierarchical 3D Scenes with Isometric View Generation
par: Dong, Wenqi, et autres
Publié: (2025)
par: Dong, Wenqi, et autres
Publié: (2025)
Learning Generalizable and Efficient Image Watermarking via Hierarchical Two-Stage Optimization
par: Liu, Ke, et autres
Publié: (2025)
par: Liu, Ke, et autres
Publié: (2025)
MOC-3D: Manifold-Order Consistency for Text-to-3D Generation
par: Fan, Chenyang, et autres
Publié: (2026)
par: Fan, Chenyang, et autres
Publié: (2026)
MVBIND: Self-Supervised Music Recommendation For Videos Via Embedding Space Binding
par: Teng, Jiajie, et autres
Publié: (2024)
par: Teng, Jiajie, et autres
Publié: (2024)
InstructHumans: Editing Animated 3D Human Textures with Instructions
par: Zhu, Jiayin, et autres
Publié: (2024)
par: Zhu, Jiayin, et autres
Publié: (2024)
Ego3DT: Tracking Every 3D Object in Ego-centric Videos
par: Hao, Shengyu, et autres
Publié: (2024)
par: Hao, Shengyu, et autres
Publié: (2024)
Decompose and Transfer: CoT-Prompting Enhanced Alignment for Open-Vocabulary Temporal Action Detection
par: Zhu, Sa, et autres
Publié: (2026)
par: Zhu, Sa, et autres
Publié: (2026)
Hierarchical Textual Knowledge for Enhanced Image Clustering
par: Zhong, Yijie, et autres
Publié: (2026)
par: Zhong, Yijie, et autres
Publié: (2026)
Enhancing Interactive Image Retrieval With Query Rewriting Using Large Language Models and Vision Language Models
par: Zhu, Hongyi, et autres
Publié: (2024)
par: Zhu, Hongyi, et autres
Publié: (2024)
CUS3D :CLIP-based Unsupervised 3D Segmentation via Object-level Denoise
par: Yu, Fuyang, et autres
Publié: (2024)
par: Yu, Fuyang, et autres
Publié: (2024)
ASAP: Advancing Semantic Alignment Promotes Multi-Modal Manipulation Detecting and Grounding
par: Zhang, Zhenxing, et autres
Publié: (2024)
par: Zhang, Zhenxing, et autres
Publié: (2024)
3DMIT: 3D Multi-modal Instruction Tuning for Scene Understanding
par: Li, Zeju, et autres
Publié: (2024)
par: Li, Zeju, et autres
Publié: (2024)
Anchoring Emotions in Text: Robust Multimodal Fusion for Mimicry Intensity Estimation
par: Zhu, Lingsi, et autres
Publié: (2026)
par: Zhu, Lingsi, et autres
Publié: (2026)
Documents similaires
-
Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models
par: Zhou, Shengli, et autres
Publié: (2026) -
A Hierarchical Compression Technique for 3D Gaussian Splatting Compression
par: Huang, He, et autres
Publié: (2024) -
GaussianForest: Hierarchical-Hybrid 3D Gaussian Splatting for Compressed Scene Modeling
par: Zhang, Fengyi, et autres
Publié: (2024) -
EgoTextVQA: Towards Egocentric Scene-Text Aware Video Question Answering
par: Zhou, Sheng, et autres
Publié: (2025) -
Modularized Zero-shot VQA with Pre-trained Models
par: Cao, Rui, et autres
Publié: (2023)