:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Zixuan, Li, Xiang, Lv, Zhaoyang, Rehg, James M.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2512.19949
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vinedresser3D: Agentic Text-guided 3D Editing
von: Chi, Yankuan, et al.
Veröffentlicht: (2026)

Cue3D: Quantifying the Role of Image Cues in Single-Image 3D Generation
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Symmetry Strikes Back: From Single-Image Symmetry Detection to 3D Generation
von: Li, Xiang, et al.
Veröffentlicht: (2024)

How Much Do Large Language Models Know about Human Motion? A Case Study in 3D Avatar Control
von: Li, Kunhang, et al.
Veröffentlicht: (2025)

STRIDE: When to Speak Meets Sequence Denoising for Streaming Video Understanding
von: Kim, Junho, et al.
Veröffentlicht: (2026)

MVHOI: Bridge Multi-view Condition to Complex Human-Object Interaction Video Reenactment via 3D Foundation Model
von: Tong, Jinguang, et al.
Veröffentlicht: (2026)

Yan: Foundational Interactive Video Generation
von: Ye, Deheng, et al.
Veröffentlicht: (2025)

How Much You Ate? Food Portion Estimation on Spoons
von: Sharma, Aaryam, et al.
Veröffentlicht: (2024)

Guess the Unified Model: How Much Can We Recover from Generated Images?
von: Cekinmez, Jasin, et al.
Veröffentlicht: (2026)

Medical Video Generation for Disease Progression Simulation
von: Cao, Xu, et al.
Veröffentlicht: (2024)

SGP-SAM: Self-Gated Prompting for Transferring 3D Segment Anything Models to Lesion Segmentation
von: Tang, Zixuan, et al.
Veröffentlicht: (2026)

Accelerating Video Generation Inference with Sequential-Parallel 3D Positional Encoding Using a Global Time Index
von: Yuan, Chao, et al.
Veröffentlicht: (2026)

Do Pre-trained Vision-Language Models Encode Object States?
von: Newman, Kaleb, et al.
Veröffentlicht: (2024)

How Much To Guide: Revisiting Adaptive Guidance in Classifier-Free Guidance Text-to-Vision Diffusion Models
von: Zhang, Huixuan, et al.
Veröffentlicht: (2025)

When and How Much to Imagine: Adaptive Test-Time Scaling with World Models for Visual Spatial Reasoning
von: Yu, Shoubin, et al.
Veröffentlicht: (2026)

Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video
von: Gao, Zihui, et al.
Veröffentlicht: (2026)

SPAR3D: Stable Point-Aware Reconstruction of 3D Objects from Single Images
von: Huang, Zixuan, et al.
Veröffentlicht: (2025)

Does Semantic Noise Initialization Transfer from Images to Videos? A Paired Diagnostic Study
von: Jing, Yixiao, et al.
Veröffentlicht: (2026)

Towards Efficient Benchmarking of Foundation Models in Remote Sensing: A Capabilities Encoding Approach
von: Adorni, Pierre, et al.
Veröffentlicht: (2025)

Prompting Video-Language Foundation Models with Domain-specific Fine-grained Heuristics for Video Question Answering
von: Yu, Ting, et al.
Veröffentlicht: (2024)

A Generative Foundation Model for Multimodal Histopathology
von: Xiang, Jinxi, et al.
Veröffentlicht: (2026)

When Eyes Betray AI: Social Gaze Consistency as a Semantic Cue for AI-Generated Image Detection
von: Kim, Jihyeon, et al.
Veröffentlicht: (2026)

MetaSSC: Enhancing 3D Semantic Scene Completion for Autonomous Driving through Meta-Learning and Long-sequence Modeling
von: Qu, Yansong, et al.
Veröffentlicht: (2024)

FMGS: Foundation Model Embedded 3D Gaussian Splatting for Holistic 3D Scene Understanding
von: Zuo, Xingxing, et al.
Veröffentlicht: (2024)

How Far are AI-generated Videos from Simulating the 3D Visual World: A Learned 3D Evaluation Approach
von: Chang, Chirui, et al.
Veröffentlicht: (2024)

LEMON: How Well Do MLLMs Perform Temporal Multimodal Understanding on Instructional Videos?
von: Yu, Zhuang, et al.
Veröffentlicht: (2026)

Learning from Videos for 3D World: Enhancing MLLMs with 3D Vision Geometry Priors
von: Zheng, Duo, et al.
Veröffentlicht: (2025)

How Many Visual Tokens Do Multimodal Language Models Need? Scaling Visual Token Pruning with F^3A
von: Huang, YiJie, et al.
Veröffentlicht: (2026)

Triad: Vision Foundation Model for 3D Magnetic Resonance Imaging
von: Wang, Shansong, et al.
Veröffentlicht: (2025)

PlaneCycle: Training-Free 2D-to-3D Lifting of Foundation Models Without Adapters
von: Yu, Yinghong, et al.
Veröffentlicht: (2026)

3D-RFT: Reinforcement Fine-Tuning for Video-based 3D Scene Understanding
von: Linghu, Xiongkun, et al.
Veröffentlicht: (2026)

SpatialDreamer: Self-supervised Stereo Video Synthesis from Monocular Input
von: Lv, Zhen, et al.
Veröffentlicht: (2024)

What Do Visual Tokens Really Encode? Uncovering Sparsity and Redundancy in Multimodal Large Language Models
von: Fan, Yingqi, et al.
Veröffentlicht: (2026)

3D Foundation Model for Generalizable Disease Detection in Head Computed Tomography
von: Zhu, Weicheng, et al.
Veröffentlicht: (2025)

M$^3$-VOS: Multi-Phase, Multi-Transition, and Multi-Scenery Video Object Segmentation
von: Chen, Zixuan, et al.
Veröffentlicht: (2024)

Few-shot Semantic Encoding and Decoding for Video Surveillance
von: Cheng, Baoping, et al.
Veröffentlicht: (2025)

BehAVE: Behaviour Alignment of Video Game Encodings
von: Rašajski, Nemanja, et al.
Veröffentlicht: (2024)

CubeComposer: Spatio-Temporal Autoregressive 4K 360° Video Generation from Perspective Video
von: Li, Lingen, et al.
Veröffentlicht: (2026)

LoV3D: Grounding Cognitive Prognosis Reasoning in Longitudinal 3D Brain MRI via Regional Volume Assessments
von: Jiang, Zhaoyang, et al.
Veröffentlicht: (2026)

How Do I Do That? Synthesizing 3D Hand Motion and Contacts for Everyday Interactions
von: Prakash, Aditya, et al.
Veröffentlicht: (2025)