Buchumschlag

Growing Visual Generative Capacity for Pre-Trained MLLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Hanyu, Han, Jiaming, Yang, Ziyan, Zhao, Qi, Lin, Shanchuan, Yue, Xiangyu, Shrivastava, Abhinav, Yang, Zhenheng, Chen, Hao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vision as a Dialect: Unifying Visual Understanding and Generation via Text-Aligned Representations
von: Han, Jiaming, et al.
Veröffentlicht: (2025)

BitDance: Scaling Autoregressive Generative Models with Binary Tokens
von: Ai, Yuang, et al.
Veröffentlicht: (2026)

LARP: Tokenizing Videos with a Learned Autoregressive Generative Prior
von: Wang, Hanyu, et al.
Veröffentlicht: (2024)

NeRV-Diffusion: Diffuse Implicit Neural Representations for Video Synthesis
von: Ren, Yixuan, et al.
Veröffentlicht: (2025)

Long Context Tuning for Video Generation
von: Guo, Yuwei, et al.
Veröffentlicht: (2025)

AnimateDiff-Lightning: Cross-Model Diffusion Distillation
von: Lin, Shanchuan, et al.
Veröffentlicht: (2024)

Efficient Continuous Video Flow Model for Video Prediction
von: Shrivastava, Gaurav, et al.
Veröffentlicht: (2024)

GIDE: Unlocking Diffusion LLMs for Precise Training-Free Image Editing
von: Zhu, Zifeng, et al.
Veröffentlicht: (2026)

UniWeTok: An Unified Binary Tokenizer with Codebook Size $\mathit{2^{128}}$ for Unified Multimodal Large Language Model
von: Zhuang, Shaobin, et al.
Veröffentlicht: (2026)

Diffusion Model with Perceptual Loss
von: Lin, Shanchuan, et al.
Veröffentlicht: (2023)

End-to-End Training for Autoregressive Video Diffusion via Self-Resampling
von: Guo, Yuwei, et al.
Veröffentlicht: (2025)

LLaVA-SP: Enhancing Visual Representation with Visual Spatial Tokens for MLLMs
von: Lou, Haoran, et al.
Veröffentlicht: (2025)

On the Generalization Capacities of MLLMs for Spatial Intelligence
von: Zhang, Gongjie, et al.
Veröffentlicht: (2026)

Is Your Text-to-Image Model Robust to Caption Noise?
von: Yu, Weichen, et al.
Veröffentlicht: (2024)

Parallelized Autoregressive Visual Generation
von: Wang, Yuqing, et al.
Veröffentlicht: (2024)

Autoregressive Adversarial Post-Training for Real-Time Interactive Video Generation
von: Lin, Shanchuan, et al.
Veröffentlicht: (2025)

VisualQuest: A Benchmark for Abstract Visual Reasoning in MLLMs
von: Xiao, Kelaiti, et al.
Veröffentlicht: (2025)

The Unseen Bias: How Norm Discrepancy in Pre-Norm MLLMs Leads to Visual Information Loss
von: Li, Bozhou, et al.
Veröffentlicht: (2025)

Common Diffusion Noise Schedules and Sample Steps are Flawed
von: Lin, Shanchuan, et al.
Veröffentlicht: (2023)

Continuous Video Process: Modeling Videos as Continuous Multi-Dimensional Processes for Video Prediction
von: Shrivastava, Gaurav, et al.
Veröffentlicht: (2024)

Visual Jigsaw Post-Training Improves MLLMs
von: Wu, Penghao, et al.
Veröffentlicht: (2025)

Diffusion Adversarial Post-Training for One-Step Video Generation
von: Lin, Shanchuan, et al.
Veröffentlicht: (2025)

Continuous Adversarial Flow Models
von: Lin, Shanchuan, et al.
Veröffentlicht: (2026)

Adversarial Flow Models
von: Lin, Shanchuan, et al.
Veröffentlicht: (2025)

SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training
von: Wang, Jianyi, et al.
Veröffentlicht: (2025)

The Image as Its Own Reward: Reinforcement Learning with Adversarial Reward for Image Generation
von: Mao, Weijia, et al.
Veröffentlicht: (2025)

FreeRet: MLLMs as Training-Free Retrievers
von: Zhu, Yuhan, et al.
Veröffentlicht: (2025)

ScreenCoder: Advancing Visual-to-Code Generation for Front-End Automation via Modular Multimodal Agents
von: Jiang, Yilei, et al.
Veröffentlicht: (2025)

SDXL-Lightning: Progressive Adversarial Diffusion Distillation
von: Lin, Shanchuan, et al.
Veröffentlicht: (2024)

CodePercept: Code-Grounded Visual STEM Perception for MLLMs
von: Guan, Tongkun, et al.
Veröffentlicht: (2026)

How to Design and Train Your Implicit Neural Representation for Video Compression
von: Gwilliam, Matthew, et al.
Veröffentlicht: (2025)

V-VIPE: Variational View Invariant Pose Embedding
von: Levy, Mara, et al.
Veröffentlicht: (2024)

Video Decomposition Prior: A Methodology to Decompose Videos into Layers
von: Shrivastava, Gaurav, et al.
Veröffentlicht: (2024)

SLQ: Bridging Modalities via Shared Latent Queries for Retrieval with Frozen MLLMs
von: Lou, Haoran, et al.
Veröffentlicht: (2026)

VLN-MME: Diagnosing MLLMs as Language-guided Visual Navigation agents
von: Zhao, Xunyi, et al.
Veröffentlicht: (2025)

IF-Bench: Benchmarking and Enhancing MLLMs for Infrared Images with Generative Visual Prompting
von: Zhang, Tao, et al.
Veröffentlicht: (2025)

Training-free Uncertainty Guidance for Complex Visual Tasks with MLLMs
von: Kim, Sanghwan, et al.
Veröffentlicht: (2025)

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

CAVALRY-V: A Large-Scale Generator Framework for Adversarial Attacks on Video MLLMs
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

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