Buchumschlag

H$_{2}$OT: Hierarchical Hourglass Tokenizer for Efficient Video Pose Transformers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Wenhao, Liu, Mengyuan, Liu, Hong, Wang, Pichao, Lu, Shijian, Sebe, Nicu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hourglass Tokenizer for Efficient Transformer-Based 3D Human Pose Estimation
von: Li, Wenhao, et al.
Veröffentlicht: (2023)

GraphMLP: A Graph MLP-Like Architecture for 3D Human Pose Estimation
von: Li, Wenhao, et al.
Veröffentlicht: (2022)

Uncertainty-Aware Testing-Time Optimization for 3D Human Pose Estimation
von: Wang, Ti, et al.
Veröffentlicht: (2024)

Hyperbolic Busemann Neural Networks
von: Chen, Ziheng, et al.
Veröffentlicht: (2026)

PoseMoE: Mixture-of-Experts Network for Monocular 3D Human Pose Estimation
von: Liu, Mengyuan, et al.
Veröffentlicht: (2025)

Scalable High-Resolution Pixel-Space Image Synthesis with Hourglass Diffusion Transformers
von: Crowson, Katherine, et al.
Veröffentlicht: (2024)

Curriculum-DPO++: Direct Preference Optimization via Data and Model Curricula for Text-to-Image Generation
von: Croitoru, Florinel-Alin, et al.
Veröffentlicht: (2026)

Curriculum Direct Preference Optimization for Diffusion and Consistency Models
von: Croitoru, Florinel-Alin, et al.
Veröffentlicht: (2024)

Masked Image Modeling: A Survey
von: Hondru, Vlad, et al.
Veröffentlicht: (2024)

FlexPose: Pose Distribution Adaptation with Limited Guidance
von: Wang, Zixiao, et al.
Veröffentlicht: (2024)

One Token to Seg Them All: Language Instructed Reasoning Segmentation in Videos
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

Human-Centric Video Anomaly Detection Through Spatio-Temporal Pose Tokenization and Transformer
von: Noghre, Ghazal Alinezhad, et al.
Veröffentlicht: (2024)

VideoExplorer: Think With Videos For Agentic Long-Video Understanding
von: Yuan, Huaying, et al.
Veröffentlicht: (2025)

SM4Depth: Seamless Monocular Metric Depth Estimation across Multiple Cameras and Scenes by One Model
von: Liu, Yihao, et al.
Veröffentlicht: (2024)

Contextual Hourglass Network for Semantic Segmentation of High Resolution Aerial Imagery
von: Li, Panfeng, et al.
Veröffentlicht: (2018)

Accelerating Diffusion Transformers with Token-wise Feature Caching
von: Zou, Chang, et al.
Veröffentlicht: (2024)

Layer- and Timestep-Adaptive Differentiable Token Compression Ratios for Efficient Diffusion Transformers
von: You, Haoran, et al.
Veröffentlicht: (2024)

A Survey on Efficient Vision-Language-Action Models
von: Yu, Zhaoshu, et al.
Veröffentlicht: (2025)

PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems
von: Wang, Weijie, et al.
Veröffentlicht: (2026)

ESPLoRA: Enhanced Spatial Precision with Low-Rank Adaption in Text-to-Image Diffusion Models for High-Definition Synthesis
von: Rigo, Andrea, et al.
Veröffentlicht: (2025)

Unified Spatio-Temporal Token Scoring for Efficient Video VLMs
von: Zhang, Jianrui, et al.
Veröffentlicht: (2026)

Token Reduction via Local and Global Contexts Optimization for Efficient Video Large Language Models
von: Li, Jinlong, et al.
Veröffentlicht: (2026)

CE-SDWV: Effective and Efficient Concept Erasure for Text-to-Image Diffusion Models via a Semantic-Driven Word Vocabulary
von: Tu, Jiahang, et al.
Veröffentlicht: (2025)

Efficient Long Video Tokenization via Coordinate-based Patch Reconstruction
von: Jang, Huiwon, et al.
Veröffentlicht: (2024)

GeoToken: Hierarchical Geolocalization of Images via Next Token Prediction
von: Ghasemi, Narges, et al.
Veröffentlicht: (2025)

TORE: Token Recycling in Vision Transformers for Efficient Active Visual Exploration
von: Olszewski, Jan, et al.
Veröffentlicht: (2023)

PAIR-Diffusion: A Comprehensive Multimodal Object-Level Image Editor
von: Goel, Vidit, et al.
Veröffentlicht: (2023)

Reliable Few-shot Learning under Dual Noises
von: Zhang, Ji, et al.
Veröffentlicht: (2025)

EfficientPose 6D: Scalable and Efficient 6D Object Pose Estimation
von: Fang, Zixuan, et al.
Veröffentlicht: (2025)

HMAR: Efficient Hierarchical Masked Auto-Regressive Image Generation
von: Kumbong, Hermann, et al.
Veröffentlicht: (2025)

BioPose: Biomechanically-accurate 3D Pose Estimation from Monocular Videos
von: Koleini, Farnoosh, et al.
Veröffentlicht: (2025)

SoftVQ-VAE: Efficient 1-Dimensional Continuous Tokenizer
von: Chen, Hao, et al.
Veröffentlicht: (2024)

Motion Guided Token Compression for Efficient Masked Video Modeling
von: Feng, Yukun, et al.
Veröffentlicht: (2024)

Learning to Merge Tokens via Decoupled Embedding for Efficient Vision Transformers
von: Lee, Dong Hoon, et al.
Veröffentlicht: (2024)

H2VU-Benchmark: A Comprehensive Benchmark for Hierarchical Holistic Video Understanding
von: Wu, Qi, et al.
Veröffentlicht: (2025)

Bispectral OT: Dataset Comparison using Symmetry-Aware Optimal Transport
von: Ma, Annabel, et al.
Veröffentlicht: (2025)

POCI-Diff: Position Objects Consistently and Interactively with 3D-Layout Guided Diffusion
von: Rigo, Andrea, et al.
Veröffentlicht: (2026)

LAPX: Lightweight Hourglass Network with Global Context
von: Zhao, Haopeng, et al.
Veröffentlicht: (2025)

TCPFormer: Learning Temporal Correlation with Implicit Pose Proxy for 3D Human Pose Estimation
von: Liu, Jiajie, et al.
Veröffentlicht: (2025)

SkipViT: Speeding Up Vision Transformers with a Token-Level Skip Connection
von: Ataiefard, Foozhan, et al.
Veröffentlicht: (2024)