Copertina

JavisGPT: A Unified Multi-modal LLM for Sounding-Video Comprehension and Generation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Liu, Kai, Li, Jungang, Sun, Yuchong, Wu, Shengqiong, Gao, Jianzhang, Zhang, Daoan, Zhang, Wei, Jin, Sheng, Yu, Sicheng, Zhan, Geng, Ji, Jiayi, Zhou, Fan, Zheng, Liang, Yan, Shuicheng, Fei, Hao, Chua, Tat-Seng
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

JavisDiT++: Unified Modeling and Optimization for Joint Audio-Video Generation
di: Liu, Kai, et al.
Pubblicazione: (2026)

Vitron: A Unified Pixel-level Vision LLM for Understanding, Generating, Segmenting, Editing
di: Fei, Hao, et al.
Pubblicazione: (2024)

JavisDiT: Joint Audio-Video Diffusion Transformer with Hierarchical Spatio-Temporal Prior Synchronization
di: Liu, Kai, et al.
Pubblicazione: (2025)

Enhancing Video-Language Representations with Structural Spatio-Temporal Alignment
di: Fei, Hao, et al.
Pubblicazione: (2024)

Towards Semantic Equivalence of Tokenization in Multimodal LLM
di: Wu, Shengqiong, et al.
Pubblicazione: (2024)

Universal Scene Graph Generation
di: Wu, Shengqiong, et al.
Pubblicazione: (2025)

NExT-GPT: Any-to-Any Multimodal LLM
di: Wu, Shengqiong, et al.
Pubblicazione: (2023)

Modeling Cross-vision Synergy for Unified Large Vision Model
di: Wu, Shengqiong, et al.
Pubblicazione: (2026)

Dysen-VDM: Empowering Dynamics-aware Text-to-Video Diffusion with LLMs
di: Fei, Hao, et al.
Pubblicazione: (2023)

Combating Multimodal LLM Hallucination via Bottom-Up Holistic Reasoning
di: Wu, Shengqiong, et al.
Pubblicazione: (2024)

Global Commander and Local Operative: A Dual-Agent Framework for Scene Navigation
di: Jin, Kaiming, et al.
Pubblicazione: (2026)

Any2Caption:Interpreting Any Condition to Caption for Controllable Video Generation
di: Wu, Shengqiong, et al.
Pubblicazione: (2025)

A Reason-then-Describe Instruction Interpreter for Controllable Video Generation
di: Wu, Shengqiong, et al.
Pubblicazione: (2025)

Multimodal Chain-of-Thought Reasoning: A Comprehensive Survey
di: Wang, Yaoting, et al.
Pubblicazione: (2025)

XNLP: An Interactive Demonstration System for Universal Structured NLP
di: Fei, Hao, et al.
Pubblicazione: (2023)

Grammar Induction from Visual, Speech and Text
di: Zhao, Yu, et al.
Pubblicazione: (2024)

Understanding Long Videos via LLM-Powered Entity Relation Graphs
di: Chu, Meng, et al.
Pubblicazione: (2025)

Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking
di: Wu, Shengqiong, et al.
Pubblicazione: (2026)

Compose Your Aesthetics: Empowering Text-to-Image Models with the Principles of Art
di: Jin, Zhe, et al.
Pubblicazione: (2025)

On Generative Agents in Recommendation
di: Zhang, An, et al.
Pubblicazione: (2023)

Extending Visual Dynamics for Video-to-Music Generation
di: Liu, Xiaohao, et al.
Pubblicazione: (2025)

UniVA: Universal Video Agent towards Open-Source Next-Generation Video Generalist
di: Liang, Zhengyang, et al.
Pubblicazione: (2025)

Learning 4D Panoptic Scene Graph Generation from Rich 2D Visual Scene
di: Wu, Shengqiong, et al.
Pubblicazione: (2025)

Can I Trust Your Answer? Visually Grounded Video Question Answering
di: Xiao, Junbin, et al.
Pubblicazione: (2023)

Towards Goal-oriented Intelligent Tutoring Systems in Online Education
di: Deng, Yang, et al.
Pubblicazione: (2023)

Disentangling Masked Autoencoders for Unsupervised Domain Generalization
di: Zhang, An, et al.
Pubblicazione: (2024)

Language Representations Can be What Recommenders Need: Findings and Potentials
di: Sheng, Leheng, et al.
Pubblicazione: (2024)

Turing Patterns for Multimedia: Reaction-Diffusion Multi-Modal Fusion for Language-Guided Video Moment Retrieval
di: Fang, Xiang, et al.
Pubblicazione: (2026)

Zero-1-to-A: Zero-Shot One Image to Animatable Head Avatars Using Video Diffusion
di: Zhou, Zhenglin, et al.
Pubblicazione: (2025)

SafeMLRM: Demystifying Safety in Multi-modal Large Reasoning Models
di: Fang, Junfeng, et al.
Pubblicazione: (2025)

Reinforcing Chain-of-Thought Reasoning with Self-Evolving Rubrics
di: Sheng, Leheng, et al.
Pubblicazione: (2026)

3D-TAFS: A Training-free Framework for 3D Affordance Segmentation
di: Chu, Meng, et al.
Pubblicazione: (2024)

Learning to Ask Critical Questions for Assisting Product Search
di: Li, Zixuan, et al.
Pubblicazione: (2024)

CARL: Criticality-Aware Agentic Reinforcement Learning
di: Shen, Leyang, et al.
Pubblicazione: (2025)

Lingua-SafetyBench: A Benchmark for Safety Evaluation of Multilingual Vision-Language Models
di: Shi, Enyi, et al.
Pubblicazione: (2026)

NeuGPT: Unified multi-modal Neural GPT
di: Yang, Yiqian, et al.
Pubblicazione: (2024)

InstructVid2Vid: Controllable Video Editing with Natural Language Instructions
di: Qin, Bosheng, et al.
Pubblicazione: (2023)

ProtT3: Protein-to-Text Generation for Text-based Protein Understanding
di: Liu, Zhiyuan, et al.
Pubblicazione: (2024)

DRAFT: Task Decoupled Latent Reasoning for Agent Safety
di: Wang, Lin, et al.
Pubblicazione: (2026)

LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation
di: He, Yingzhi, et al.
Pubblicazione: (2025)