:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yifan, Yin, Yingda, Zhu, Lingting, Chen, Weikai, Qian, Shengju, Wang, Xin, Fu, Yanwei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Computation and Language
Online-Zugang:	https://arxiv.org/abs/2512.02835
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CoSMo3D: Open-World Promptable 3D Semantic Part Segmentation through LLM-Guided Canonical Spatial Modeling
von: Jin, Li, et al.
Veröffentlicht: (2026)

MuMA: 3D PBR Texturing via Multi-Channel Multi-View Generation and Agentic Post-Processing
von: Zhu, Lingting, et al.
Veröffentlicht: (2025)

V-ReasonBench: Toward Unified Reasoning Benchmark Suite for Video Generation Models
von: Luo, Yang, et al.
Veröffentlicht: (2025)

CaliTex: Geometry-Calibrated Attention for View-Coherent 3D Texture Generation
von: Liu, Chenyu, et al.
Veröffentlicht: (2025)

MAR-3D: Progressive Masked Auto-regressor for High-Resolution 3D Generation
von: Chen, Jinnan, et al.
Veröffentlicht: (2025)

Pixel Reasoner: Incentivizing Pixel-Space Reasoning with Curiosity-Driven Reinforcement Learning
von: Wang, Haozhe, et al.
Veröffentlicht: (2025)

SAP: Segment Any 4K Panorama
von: Jiang, Lutao, et al.
Veröffentlicht: (2026)

Prompt Highlighter: Interactive Control for Multi-Modal LLMs
von: Zhang, Yuechen, et al.
Veröffentlicht: (2023)

EmbRACE-3K: Embodied Reasoning and Action in Complex Environments
von: Lin, Mingxian, et al.
Veröffentlicht: (2025)

Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?
von: Yue, Yang, et al.
Veröffentlicht: (2025)

Rethinking Chain-of-Thought Reasoning for Videos
von: Zhong, Yiwu, et al.
Veröffentlicht: (2025)

AssetFormer: Modular 3D Assets Generation with Autoregressive Transformer
von: Zhu, Lingting, et al.
Veröffentlicht: (2026)

RCoT-Seg: Reinforced Chain-of-Thought for Video Reasoning and Segmentation
von: Wen, Junwei, et al.
Veröffentlicht: (2026)

StyleAR: Customizing Multimodal Autoregressive Model for Style-Aligned Text-to-Image Generation
von: Wu, Yi, et al.
Veröffentlicht: (2025)

LumiTex: Towards High-Fidelity PBR Texture Generation with Illumination Context
von: Bao, Jingzhi, et al.
Veröffentlicht: (2025)

Proxy-Tuning: Tailoring Multimodal Autoregressive Models for Subject-Driven Image Generation
von: Wu, Yi, et al.
Veröffentlicht: (2025)

ViewFusion: Structured Spatial Thinking Chains for Multi-View Reasoning
von: Tao, Xingjian, et al.
Veröffentlicht: (2026)

Render-of-Thought: Rendering Textual Chain-of-Thought as Images for Visual Latent Reasoning
von: Wang, Yifan, et al.
Veröffentlicht: (2026)

Large Material Gaussian Model for Relightable 3D Generation
von: Ye, Jingrui, et al.
Veröffentlicht: (2025)

ReFocus: Visual Editing as a Chain of Thought for Structured Image Understanding
von: Fu, Xingyu, et al.
Veröffentlicht: (2025)

MME-CoT: Benchmarking Chain-of-Thought in Large Multimodal Models for Reasoning Quality, Robustness, and Efficiency
von: Jiang, Dongzhi, et al.
Veröffentlicht: (2025)

Generating Storytelling Images with Rich Chains-of-Reasoning
von: Song, Xiujie, et al.
Veröffentlicht: (2025)

SOLE-R1: Video-Language Reasoning as the Sole Reward for On-Robot Reinforcement Learning
von: Schroeder, Philip, et al.
Veröffentlicht: (2026)

Video-RTS: Rethinking Reinforcement Learning and Test-Time Scaling for Efficient and Enhanced Video Reasoning
von: Wang, Ziyang, et al.
Veröffentlicht: (2025)

DentalGPT: Incentivizing Multimodal Complex Reasoning in Dentistry
von: Cai, Zhenyang, et al.
Veröffentlicht: (2025)

Video2Roleplay: A Multimodal Dataset and Framework for Video-Guided Role-playing Agents
von: Zhang, Xueqiao, et al.
Veröffentlicht: (2025)

Video-Skill-CoT: Skill-based Chain-of-Thoughts for Domain-Adaptive Video Reasoning
von: Lee, Daeun, et al.
Veröffentlicht: (2025)

Reasoning Resides in Layers: Restoring Temporal Reasoning in Video-Language Models with Layer-Selective Merging
von: Fu, Zihang, et al.
Veröffentlicht: (2026)

VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding
von: Yin, Yufei, et al.
Veröffentlicht: (2025)

MUSEG: Reinforcing Video Temporal Understanding via Timestamp-Aware Multi-Segment Grounding
von: Luo, Fuwen, et al.
Veröffentlicht: (2025)

Multilingual OCR-Aware Fine-Tuning and Prompt-Guided Chain-of-Thought Reasoning for Multimodal Large Language Models
von: Xu, Qinwu, et al.
Veröffentlicht: (2026)

MM-R5: MultiModal Reasoning-Enhanced ReRanker via Reinforcement Learning for Document Retrieval
von: Xu, Mingjun, et al.
Veröffentlicht: (2025)

MathCanvas: Intrinsic Visual Chain-of-Thought for Multimodal Mathematical Reasoning
von: Shi, Weikang, et al.
Veröffentlicht: (2025)

Polaris: Open-ended Interactive Robotic Manipulation via Syn2Real Visual Grounding and Large Language Models
von: Wang, Tianyu, et al.
Veröffentlicht: (2024)

LaRe: Latent Refocusing for Multimodal Reasoning
von: Ma, Jizheng, et al.
Veröffentlicht: (2025)

[De|Re]constructing VLMs' Reasoning in Counting
von: Alghisi, Simone, et al.
Veröffentlicht: (2025)

R1-ShareVL: Incentivizing Reasoning Capability of Multimodal Large Language Models via Share-GRPO
von: Yao, Huanjin, et al.
Veröffentlicht: (2025)

VCR-Bench: A Comprehensive Evaluation Framework for Video Chain-of-Thought Reasoning
von: Qi, Yukun, et al.
Veröffentlicht: (2025)

TagCLIP: Improving Discrimination Ability of Open-Vocabulary Semantic Segmentation
von: Li, Jingyao, et al.
Veröffentlicht: (2023)

Learning Adaptive Reasoning Paths for Efficient Visual Reasoning
von: Huang, Yixu, et al.
Veröffentlicht: (2026)