:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qu, Tianyuan, Ke, Lei, Zhan, Xiaohang, Tang, Longxiang, Liu, Yuqi, Peng, Bohao, Yu, Bei, Yu, Dong, Jia, Jiaya
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2512.16864
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Does Your Vision-Language Model Get Lost in the Long Video Sampling Dilemma?
von: Qu, Tianyuan, et al.
Veröffentlicht: (2025)

VisionReasoner: Unified Reasoning-Integrated Visual Perception via Reinforcement Learning
von: Liu, Yuqi, et al.
Veröffentlicht: (2025)

DreamVE: Unified Instruction-based Image and Video Editing
von: Xia, Bin, et al.
Veröffentlicht: (2025)

LISA++: An Improved Baseline for Reasoning Segmentation with Large Language Model
von: Yang, Senqiao, et al.
Veröffentlicht: (2023)

RTime-QA: A Benchmark for Atomic Temporal Event Understanding in Large Multi-modal Models
von: Liu, Yuqi, et al.
Veröffentlicht: (2025)

DreamOmni2: Multimodal Instruction-based Editing and Generation
von: Xia, Bin, et al.
Veröffentlicht: (2025)

DreamOmni3: Scribble-based Editing and Generation
von: Xia, Bin, et al.
Veröffentlicht: (2025)

MGM-Omni: Scaling Omni LLMs to Personalized Long-Horizon Speech
von: Wang, Chengyao, et al.
Veröffentlicht: (2025)

From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models
von: Zhu, Mingkang, et al.
Veröffentlicht: (2025)

Instruction-based Image Editing with Planning, Reasoning, and Generation
von: Ji, Liya, et al.
Veröffentlicht: (2026)

Scalable Language Model with Generalized Continual Learning
von: Peng, Bohao, et al.
Veröffentlicht: (2024)

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

CompBench: Benchmarking Complex Instruction-guided Image Editing
von: Jia, Bohan, et al.
Veröffentlicht: (2025)

Lyra: An Efficient and Speech-Centric Framework for Omni-Cognition
von: Zhong, Zhisheng, et al.
Veröffentlicht: (2024)

DreamOmni: Unified Image Generation and Editing
von: Xia, Bin, et al.
Veröffentlicht: (2024)

ViSurf: Visual Supervised-and-Reinforcement Fine-Tuning for Large Vision-and-Language Models
von: Liu, Yuqi, et al.
Veröffentlicht: (2025)

Stratified GRPO: Handling Structural Heterogeneity in Reinforcement Learning of LLM Search Agents
von: Zhu, Mingkang, et al.
Veröffentlicht: (2025)

N3D-VLM: Native 3D Grounding Enables Accurate Spatial Reasoning in Vision-Language Models
von: Wang, Yuxin, et al.
Veröffentlicht: (2025)

EZBlender: Efficient 3D Editing with Plan-and-ReAct Agent
von: Wang, Hao, et al.
Veröffentlicht: (2026)

ControlNeXt: Powerful and Efficient Control for Image and Video Generation
von: Peng, Bohao, et al.
Veröffentlicht: (2024)

Text‐to‐3D City: Plan‐then‐Execute Urban Generation With LLM Planners and Procedural Synthesis
von: Xiaohang Dong, et al.
Veröffentlicht: (2026)

Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
von: He, Runze, et al.
Veröffentlicht: (2026)

VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models
von: Wang, Zixuan, et al.
Veröffentlicht: (2026)

Optimal Planning for Multi-Robot Simultaneous Area and Line Coverage Using Hierarchical Cyclic Merging Regulation
von: Zheng, Tianyuan, et al.
Veröffentlicht: (2025)

MagicMirror: ID-Preserved Video Generation in Video Diffusion Transformers
von: Zhang, Yuechen, et al.
Veröffentlicht: (2025)

OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation
von: Peng, Bohao, et al.
Veröffentlicht: (2024)

GroupContrast: Semantic-aware Self-supervised Representation Learning for 3D Understanding
von: Wang, Chengyao, et al.
Veröffentlicht: (2024)

VisionThink: Smart and Efficient Vision Language Model via Reinforcement Learning
von: Yang, Senqiao, et al.
Veröffentlicht: (2025)

TGDPO: Harnessing Token-Level Reward Guidance for Enhancing Direct Preference Optimization
von: Zhu, Mingkang, et al.
Veröffentlicht: (2025)

Enhancing LLM Knowledge Learning through Generalization
von: Zhu, Mingkang, et al.
Veröffentlicht: (2025)

Modular Customization of Diffusion Models via Blockwise-Parameterized Low-Rank Adaptation
von: Zhu, Mingkang, et al.
Veröffentlicht: (2025)

Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models
von: Tang, Longxiang, et al.
Veröffentlicht: (2024)

Reason-Plan-ReAct: A Reasoner-Planner Supervising a ReAct Executor for Complex Enterprise Tasks
von: Molinari, Gianni, et al.
Veröffentlicht: (2025)

Penguin-VL: Exploring the Efficiency Limits of VLM with LLM-based Vision Encoders
von: Zhang, Boqiang, et al.
Veröffentlicht: (2026)

VisionZip: Longer is Better but Not Necessary in Vision Language Models
von: Yang, Senqiao, et al.
Veröffentlicht: (2024)

On the Empirical Complexity of Reasoning and Planning in LLMs
von: Kang, Liwei, et al.
Veröffentlicht: (2024)

Exploiting Discriminative Codebook Prior for Autoregressive Image Generation
von: Tang, Longxiang, et al.
Veröffentlicht: (2025)

MotionEdit: Benchmarking and Learning Motion-Centric Image Editing
von: Wan, Yixin, et al.
Veröffentlicht: (2025)

TraveLLaMA: A Multimodal Travel Assistant with Large-Scale Dataset and Structured Reasoning
von: Chu, Meng, et al.
Veröffentlicht: (2025)

PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving
von: Parmar, Mihir, et al.
Veröffentlicht: (2025)