Buchumschlag

ShowUI-$π$: Flow-based Generative Models as GUI Dexterous Hands

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hu, Siyuan, Lin, Kevin Qinghong, Shou, Mike Zheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Human-Computer Interaction
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ShowUI: One Vision-Language-Action Model for GUI Visual Agent
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2024)

ShowUI-Aloha: Human-Taught GUI Agent
von: Zhang, Yichun, et al.
Veröffentlicht: (2026)

FocusUI: Efficient UI Grounding via Position-Preserving Visual Token Selection
von: Ouyang, Mingyu, et al.
Veröffentlicht: (2026)

Computer-Use Agents as Judges for Generative User Interface
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2025)

GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents
von: Ouyang, Mingyu, et al.
Veröffentlicht: (2026)

Code2Video: A Code-centric Paradigm for Educational Video Generation
von: Chen, Yanzhe, et al.
Veröffentlicht: (2025)

Code2World: A GUI World Model via Renderable Code Generation
von: Zheng, Yuhao, et al.
Veröffentlicht: (2026)

UI-TARS: Pioneering Automated GUI Interaction with Native Agents
von: Qin, Yujia, et al.
Veröffentlicht: (2025)

GUIDE: A Benchmark for Understanding and Assisting Users in Open-Ended GUI Tasks
von: Yang, Saelyne, et al.
Veröffentlicht: (2026)

UI-E2I-Synth: Advancing GUI Grounding with Large-Scale Instruction Synthesis
von: Liu, Xinyi, et al.
Veröffentlicht: (2025)

RWKV-UI: UI Understanding with Enhanced Perception and Reasoning
von: Yang, Jiaxi, et al.
Veröffentlicht: (2025)

SparkUI-Parser: Enhancing GUI Perception with Robust Grounding and Parsing
von: Jing, Hongyi, et al.
Veröffentlicht: (2025)

UI-UG: A Unified MLLM for UI Understanding and Generation
von: Yang, Hao, et al.
Veröffentlicht: (2025)

Bring Your Own Character: A Holistic Solution for Automatic Facial Animation Generation of Customized Characters
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

ControlGUI: Guiding Generative GUI Exploration through Perceptual Visual Flow
von: Garg, Aryan, et al.
Veröffentlicht: (2025)

UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning
von: Wang, Haoming, et al.
Veröffentlicht: (2025)

UIPro: Unleashing Superior Interaction Capability For GUI Agents
von: Li, Hongxin, et al.
Veröffentlicht: (2025)

Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
von: You, Keen, et al.
Veröffentlicht: (2024)

SpriteHand: Real-Time Versatile Hand-Object Interaction with Autoregressive Video Generation
von: Li, Zisu, et al.
Veröffentlicht: (2025)

VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2025)

V-Hands: Touchscreen-based Hand Tracking for Remote Whiteboard Interaction
von: Liu, Xinshuang, et al.
Veröffentlicht: (2024)

GUI-R1 : A Generalist R1-Style Vision-Language Action Model For GUI Agents
von: Luo, Run, et al.
Veröffentlicht: (2025)

GUICourse: From General Vision Language Models to Versatile GUI Agents
von: Chen, Wentong, et al.
Veröffentlicht: (2024)

UniHands: Unifying Various Wild-Collected Keypoints for Personalized Hand Reconstruction
von: Zhang, Menghe, et al.
Veröffentlicht: (2024)

MP-GUI: Modality Perception with MLLMs for GUI Understanding
von: Wang, Ziwei, et al.
Veröffentlicht: (2025)

Multiscaled Multi-Head Attention-based Video Transformer Network for Hand Gesture Recognition
von: Garg, Mallika, et al.
Veröffentlicht: (2025)

Morae: Proactively Pausing UI Agents for User Choices
von: Peng, Yi-Hao, et al.
Veröffentlicht: (2025)

HandDAGT: A Denoising Adaptive Graph Transformer for 3D Hand Pose Estimation
von: Cheng, Wencan, et al.
Veröffentlicht: (2024)

Navi-plus: Managing Ambiguous GUI Navigation Tasks with Follow-up Questions
von: Cheng, Ziming, et al.
Veröffentlicht: (2025)

E-ANT: A Large-Scale Dataset for Efficient Automatic GUI NavigaTion
von: Wang, Ke, et al.
Veröffentlicht: (2024)

OS-ATLAS: A Foundation Action Model for Generalist GUI Agents
von: Wu, Zhiyong, et al.
Veröffentlicht: (2024)

OMG-Bench: A New Challenging Benchmark for Skeleton-based Online Micro Hand Gesture Recognition
von: Chang, Haochen, et al.
Veröffentlicht: (2025)

InterFeedback: Unveiling Interactive Intelligence of Large Multimodal Models via Human Feedback
von: Zhao, Henry Hengyuan, et al.
Veröffentlicht: (2025)

UST-Hand: An Uncertainty-aware Spatiotemporal Point Cloud Interaction Network for 3D Self-supervised Hand Pose Estimation
von: Han, Tianhao, et al.
Veröffentlicht: (2026)

HaDR: Applying Domain Randomization for Generating Synthetic Multimodal Dataset for Hand Instance Segmentation in Cluttered Industrial Environments
von: Grushko, Stefan, et al.
Veröffentlicht: (2023)

SpiritSight Agent: Advanced GUI Agent with One Look
von: Huang, Zhiyuan, et al.
Veröffentlicht: (2025)

MVTN: A Multiscale Video Transformer Network for Hand Gesture Recognition
von: Garg, Mallika, et al.
Veröffentlicht: (2024)

HpEIS: Learning Hand Pose Embeddings for Multimedia Interactive Systems
von: Xu, Songpei, et al.
Veröffentlicht: (2024)

AURORA: Navigating UI Tarpits via Automated Neural Screen Understanding
von: Khan, Safwat Ali, et al.
Veröffentlicht: (2024)

EgoPressure: A Dataset for Hand Pressure and Pose Estimation in Egocentric Vision
von: Zhao, Yiming, et al.
Veröffentlicht: (2024)