Buchumschlag

DisCo: Towards Distinct and Coherent Visual Encapsulation in Video MLLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Jiahe, Zheng, Rongkun, Wang, Yi, Wang, Helin, Zhao, Hengshuang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DisCo: Disentangled Control for Realistic Human Dance Generation
von: Wang, Tan, et al.
Veröffentlicht: (2023)

Seg-VAR: Image Segmentation with Visual Autoregressive Modeling
von: Zheng, Rongkun, et al.
Veröffentlicht: (2025)

O-DisCo-Edit: Object Distortion Control for Unified Realistic Video Editing
von: Chen, Yuqing, et al.
Veröffentlicht: (2025)

SyncVIS: Synchronized Video Instance Segmentation
von: Zheng, Rongkun, et al.
Veröffentlicht: (2024)

DisCo3D: Distilling Multi-View Consistency for 3D Scene Editing
von: Chi, Yufeng, et al.
Veröffentlicht: (2025)

ViLLa: Video Reasoning Segmentation with Large Language Model
von: Zheng, Rongkun, et al.
Veröffentlicht: (2024)

TMT-VIS: Taxonomy-aware Multi-dataset Joint Training for Video Instance Segmentation
von: Zheng, Rongkun, et al.
Veröffentlicht: (2023)

DisCo-Diff: Enhancing Continuous Diffusion Models with Discrete Latents
von: Xu, Yilun, et al.
Veröffentlicht: (2024)

DisCo-FLoc: Semantic-Free Floorplan Localization via $SE(2)$-Aware Contrastive Disambiguation
von: Zhong, Ping, et al.
Veröffentlicht: (2026)

DisCo-Layout: Disentangling and Coordinating Semantic and Physical Refinement in a Multi-Agent Framework for 3D Indoor Layout Synthesis
von: Gao, Jialin, et al.
Veröffentlicht: (2025)

FocalClick-XL: Towards Unified and High-quality Interactive Segmentation
von: Chen, Xi, et al.
Veröffentlicht: (2025)

Exploring the Design Space of Visual Context Representation in Video MLLMs
von: Du, Yifan, et al.
Veröffentlicht: (2024)

Magic-MM-Embedding: Towards Visual-Token-Efficient Universal Multimodal Embedding with MLLMs
von: Li, Qi, et al.
Veröffentlicht: (2026)

VideoScaffold: Elastic-Scale Visual Hierarchies for Streaming Video Understanding in MLLMs
von: Zheng, Naishan, et al.
Veröffentlicht: (2025)

OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation
von: Wang, Zhenyu, et al.
Veröffentlicht: (2024)

Towards Trustworthy Dermatology MLLMs: A Benchmark and Multimodal Evaluator for Diagnostic Narratives
von: Shen, Yuhao, et al.
Veröffentlicht: (2025)

GPT4Scene: Understand 3D Scenes from Videos with Vision-Language Models
von: Qi, Zhangyang, et al.
Veröffentlicht: (2025)

SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation
von: Tan, Shuai, et al.
Veröffentlicht: (2025)

Unhackable Temporal Rewarding for Scalable Video MLLMs
von: Yu, En, et al.
Veröffentlicht: (2025)

Reinforcing Consistency in Video MLLMs with Structured Rewards
von: Quan, Yihao, et al.
Veröffentlicht: (2026)

Moment-Video: Diagnosing Temporal Fidelity of Video MLLMs on Momentary Visual Events
von: Liu, Xiaolin, et al.
Veröffentlicht: (2026)

MiCo: Multi-image Contrast for Reinforcement Visual Reasoning
von: Chen, Xi, et al.
Veröffentlicht: (2025)

UniMatch V2: Pushing the Limit of Semi-Supervised Semantic Segmentation
von: Yang, Lihe, et al.
Veröffentlicht: (2024)

One for All: Multi-Domain Joint Training for Point Cloud Based 3D Object Detection
von: Wang, Zhenyu, et al.
Veröffentlicht: (2024)

LayerFlow: A Unified Model for Layer-aware Video Generation
von: Ji, Sihui, et al.
Veröffentlicht: (2025)

Needle In A Video Haystack: A Scalable Synthetic Evaluator for Video MLLMs
von: Zhao, Zijia, et al.
Veröffentlicht: (2024)

RefereeBench: Are Video MLLMs Ready to be Multi-Sport Referees
von: Xu, Yichen, et al.
Veröffentlicht: (2026)

SEA: Supervised Embedding Alignment for Token-Level Visual-Textual Integration in MLLMs
von: Yin, Yuanyang, et al.
Veröffentlicht: (2024)

POINTS-Long: Adaptive Dual-Mode Visual Reasoning in MLLMs
von: Wang, Haicheng, et al.
Veröffentlicht: (2026)

UniLION: Towards Unified Autonomous Driving Model with Linear Group RNNs
von: Liu, Zhe, et al.
Veröffentlicht: (2025)

Video-R1: Reinforcing Video Reasoning in MLLMs
von: Feng, Kaituo, et al.
Veröffentlicht: (2025)

Towards Unified 3D Object Detection via Algorithm and Data Unification
von: Li, Zhuoling, et al.
Veröffentlicht: (2024)

InternVideo2.5: Empowering Video MLLMs with Long and Rich Context Modeling
von: Wang, Yi, et al.
Veröffentlicht: (2025)

VideoAnydoor: High-fidelity Video Object Insertion with Precise Motion Control
von: Tu, Yuanpeng, et al.
Veröffentlicht: (2025)

VideoAnchor: Reinforcing Subspace-Structured Visual Cues for Coherent Visual-Spatial Reasoning
von: Wang, Zhaozhi, et al.
Veröffentlicht: (2025)

PhysMaster: Mastering Physical Representation for Video Generation via Reinforcement Learning
von: Ji, Sihui, et al.
Veröffentlicht: (2025)

OmniAlign-V: Towards Enhanced Alignment of MLLMs with Human Preference
von: Zhao, Xiangyu, et al.
Veröffentlicht: (2025)

Decoupled Competitive Framework for Semi-supervised Medical Image Segmentation
von: Chen, Jiahe, et al.
Veröffentlicht: (2025)

Incentivizing Cardiologist-Like Reasoning in MLLMs for Interpretable Echocardiographic Diagnosis
von: Qin, Yi, et al.
Veröffentlicht: (2026)

MMDuet2: Enhancing Proactive Interaction of Video MLLMs with Multi-Turn Reinforcement Learning
von: Wang, Yueqian, et al.
Veröffentlicht: (2025)