Buchumschlag

Thinking with Images via Self-Calling Agent

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Wenxi, Zhao, Yuzhong, Wan, Fang, Ye, Qixiang
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

DynRefer: Delving into Region-level Multimodal Tasks via Dynamic Resolution
von: Zhao, Yuzhong, et al.
Veröffentlicht: (2024)

CC-Diff: Enhancing Contextual Coherence in Remote Sensing Image Synthesis
von: Zhang, Mu, et al.
Veröffentlicht: (2024)

ControlCap: Controllable Region-level Captioning
von: Zhao, Yuzhong, et al.
Veröffentlicht: (2024)

Evaluation of Text-to-Video Generation Models: A Dynamics Perspective
von: Liao, Mingxiang, et al.
Veröffentlicht: (2024)

Timestep Embedding Tells: It's Time to Cache for Video Diffusion Model
von: Liu, Feng, et al.
Veröffentlicht: (2024)

URWKV: Unified RWKV Model with Multi-state Perspective for Low-light Image Restoration
von: Xu, Rui, et al.
Veröffentlicht: (2025)

Self-supervised Feature-Gate Coupling for Dynamic Network Pruning
von: Shi, Mengnan, et al.
Veröffentlicht: (2021)

VMamba: Visual State Space Model
von: Liu, Yue, et al.
Veröffentlicht: (2024)

Agent Banana: High-Fidelity Image Editing with Agentic Thinking and Tooling
von: Ye, Ruijie, et al.
Veröffentlicht: (2026)

AF-CLIP: Zero-Shot Anomaly Detection via Anomaly-Focused CLIP Adaptation
von: Fang, Qingqing, et al.
Veröffentlicht: (2025)

LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling
von: Yang, Zuhao, et al.
Veröffentlicht: (2025)

AceTone: Bridging Words and Colors for Conditional Image Grading
von: Ma, Tianren, et al.
Veröffentlicht: (2026)

DeepEyes: Incentivizing "Thinking with Images" via Reinforcement Learning
von: Zheng, Ziwei, et al.
Veröffentlicht: (2025)

Delving Deep into Semantic Relation Distillation
von: Yan, Zhaoyi, et al.
Veröffentlicht: (2025)

V-Thinker: Interactive Thinking with Images
von: Qiao, Runqi, et al.
Veröffentlicht: (2025)

ORB-SfMLearner: ORB-Guided Self-supervised Visual Odometry with Selective Online Adaptation
von: Jin, Yanlin, et al.
Veröffentlicht: (2024)

Deep But Reliable: Advancing Multi-turn Reasoning for Thinking with Images
von: Yang, Wenhao, et al.
Veröffentlicht: (2025)

Ray Denoising: Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection
von: Liu, Feng, et al.
Veröffentlicht: (2024)

OpenThinkIMG: Learning to Think with Images via Visual Tool Reinforcement Learning
von: Su, Zhaochen, et al.
Veröffentlicht: (2025)

S&D Messenger: Exchanging Semantic and Domain Knowledge for Generic Semi-Supervised Medical Image Segmentation
von: Zhang, Qixiang, et al.
Veröffentlicht: (2024)

Walk the Talk: Bridging the Reasoning-Action Gap for Thinking with Images via Multimodal Agentic Policy Optimization
von: Yang, Wenhao, et al.
Veröffentlicht: (2026)

Enhanced Convolutional Neural Networks for Improved Image Classification
von: Yang, Xiaoran, et al.
Veröffentlicht: (2025)

DiffuMask: Synthesizing Images with Pixel-level Annotations for Semantic Segmentation Using Diffusion Models
von: Wu, Weijia, et al.
Veröffentlicht: (2023)

ReDDiT: Rehashing Noise for Discrete Visual Generation
von: Ma, Tianren, et al.
Veröffentlicht: (2025)

ClawMachine: Learning to Fetch Visual Tokens for Referential Comprehension
von: Ma, Tianren, et al.
Veröffentlicht: (2024)

AdaThinkDrive: Adaptive Thinking via Reinforcement Learning for Autonomous Driving
von: Luo, Yuechen, et al.
Veröffentlicht: (2025)

Maestro: Self-Improving Text-to-Image Generation via Agent Orchestration
von: Wan, Xingchen, et al.
Veröffentlicht: (2025)

Correspondence-Guided SfM-Free 3D Gaussian Splatting for NVS
von: Sun, Wei, et al.
Veröffentlicht: (2024)

Expandable Residual Approximation for Knowledge Distillation
von: Yan, Zhaoyi, et al.
Veröffentlicht: (2025)

Mixture of Physical Priors Adapter for Parameter-Efficient Fine-Tuning
von: Wang, Zhaozhi, et al.
Veröffentlicht: (2024)

Spatial Transform Decoupling for Oriented Object Detection
von: Yu, Hongtian, et al.
Veröffentlicht: (2023)

Delta-SVD: Efficient Compression for Personalized Text-to-Image Models
von: Zhang, Tangyuan, et al.
Veröffentlicht: (2025)

Beyond Night Visibility: Adaptive Multi-Scale Fusion of Infrared and Visible Images
von: Pei, Shufan, et al.
Veröffentlicht: (2024)

Bridging the Intention-Expression Gap: Aligning Multi-Dimensional Preferences via Hierarchical Relevance Feedback in Text-to-Image Diffusion
von: Wang, Wenxi, et al.
Veröffentlicht: (2026)

MOC: Meta-Optimized Classifier for Few-Shot Whole Slide Image Classification
von: Xiang, Tianqi, et al.
Veröffentlicht: (2025)

Depth-guided Texture Diffusion for Image Semantic Segmentation
von: Sun, Wei, et al.
Veröffentlicht: (2024)

GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation
von: Chen, Sixiang, et al.
Veröffentlicht: (2026)

MedScope: Incentivizing "Think with Videos" for Clinical Reasoning via Coarse-to-Fine Tool Calling
von: Li, Wenjie, et al.
Veröffentlicht: (2026)

Explaining Human Preferences via Metrics for Structured 3D Reconstruction
von: Langerman, Jack, et al.
Veröffentlicht: (2025)

DriveAgent-R1: Advancing VLM-based Autonomous Driving with Active Perception and Hybrid Thinking
von: Zheng, Weicheng, et al.
Veröffentlicht: (2025)