:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Pengcheng, Tang, Peng, Luo, Donghao, Hu, Xiaobin, Cui, Weichu, He, Qingdong, Chen, Zhennan, Zhang, Jiangning, Ling, Charles, Wang, Boyu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2601.05572
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unveil Inversion and Invariance in Flow Transformer for Versatile Image Editing
von: Xu, Pengcheng, et al.
Veröffentlicht: (2024)

DynamicControl: Adaptive Condition Selection for Improved Text-to-Image Generation
von: He, Qingdong, et al.
Veröffentlicht: (2024)

PointSeg: A Training-Free Paradigm for 3D Scene Segmentation via Foundation Models
von: He, Qingdong, et al.
Veröffentlicht: (2024)

FFP-300K: Scaling First-Frame Propagation for Generalizable Video Editing
von: Huang, Xijie, et al.
Veröffentlicht: (2026)

Towards One-step Causal Video Generation via Adversarial Self-Distillation
von: Yang, Yongqi, et al.
Veröffentlicht: (2025)

FitDiT: Advancing the Authentic Garment Details for High-fidelity Virtual Try-on
von: Jiang, Boyuan, et al.
Veröffentlicht: (2024)

VTBench: Comprehensive Benchmark Suite Towards Real-World Virtual Try-on Models
von: Xiaobin, Hu, et al.
Veröffentlicht: (2025)

TokenAR: Multiple Subject Generation via Autoregressive Token-level enhancement
von: Sun, Haiyue, et al.
Veröffentlicht: (2025)

Boosting Reasoning in Large Multimodal Models via Activation Replay
von: Xing, Yun, et al.
Veröffentlicht: (2025)

The devil is in the details: Enhancing Video Virtual Try-On via Keyframe-Driven Details Injection
von: He, Qingdong, et al.
Veröffentlicht: (2025)

Human-MME: A Holistic Evaluation Benchmark for Human-Centric Multimodal Large Language Models
von: Liu, Yuansen, et al.
Veröffentlicht: (2025)

Reasoning to Edit: Hypothetical Instruction-Based Image Editing with Visual Reasoning
von: He, Qingdong, et al.
Veröffentlicht: (2025)

IVEBench: Modern Benchmark Suite for Instruction-Guided Video Editing Assessment
von: Chen, Yinan, et al.
Veröffentlicht: (2025)

ArtWeaver: Advanced Dynamic Style Integration via Diffusion Model
von: Xu, Chengming, et al.
Veröffentlicht: (2024)

Sonic: Shifting Focus to Global Audio Perception in Portrait Animation
von: Ji, Xiaozhong, et al.
Veröffentlicht: (2024)

CLEAR: Context-Aware Learning with End-to-End Mask-Free Inference for Adaptive Video Subtitle Removal
von: He, Qingdong, et al.
Veröffentlicht: (2026)

Class Overwhelms: Mutual Conditional Blended-Target Domain Adaptation
von: Xu, Pengcheng, et al.
Veröffentlicht: (2023)

Textualize Visual Prompt for Image Editing via Diffusion Bridge
von: Xu, Pengcheng, et al.
Veröffentlicht: (2025)

Exploring Real&Synthetic Dataset and Linear Attention in Image Restoration
von: Du, Yuzhen, et al.
Veröffentlicht: (2024)

Open-Vocabulary SAM3D: Towards Training-free Open-Vocabulary 3D Scene Understanding
von: Tai, Hanchen, et al.
Veröffentlicht: (2024)

DiffuMatting: Synthesizing Arbitrary Objects with Matting-level Annotation
von: Hu, Xiaobin, et al.
Veröffentlicht: (2024)

Omni-Customizer: End-to-End MultiModal Customization for Joint Audio-Video Generation
von: Chen, Yuheng, et al.
Veröffentlicht: (2026)

NoiseBoost: Alleviating Hallucination with Noise Perturbation for Multimodal Large Language Models
von: Wu, Kai, et al.
Veröffentlicht: (2024)

UniICL: Systematizing Unified Multimodal In-context Learning through a Capability-Oriented Taxonomy
von: Xu, Yicheng, et al.
Veröffentlicht: (2026)

MedMASLab: A Unified Orchestration Framework for Benchmarking Multimodal Medical Multi-Agent Systems
von: Qian, Yunhang, et al.
Veröffentlicht: (2026)

Spatial-Temporal Decoupled Reference Conditioning for Identity-Preserving Text-to-Video Generation
von: Chen, Yuheng, et al.
Veröffentlicht: (2026)

Transform Trained Transformer: Accelerating Naive 4K Video Generation Over 10$\times$
von: Zhang, Jiangning, et al.
Veröffentlicht: (2025)

DVHGNN: Multi-Scale Dilated Vision HGNN for Efficient Vision Recognition
von: Li, Caoshuo, et al.
Veröffentlicht: (2025)

DiP: Taming Diffusion Models in Pixel Space
von: Chen, Zhennan, et al.
Veröffentlicht: (2025)

Query-Kontext: An Unified Multimodal Model for Image Generation and Editing
von: Song, Yuxin, et al.
Veröffentlicht: (2025)

SkillGraph: Self-Evolving Multi-Agent Collaboration with Multimodal Graph Topology
von: Nie, Zheng, et al.
Veröffentlicht: (2026)

UniCombine: Unified Multi-Conditional Combination with Diffusion Transformer
von: Wang, Haoxuan, et al.
Veröffentlicht: (2025)

Soul: Breathe Life into Digital Human for High-fidelity Long-term Multimodal Animation
von: Zhang, Jiangning, et al.
Veröffentlicht: (2025)

SCL: Towards Domain Generalization via Single-Temporal Multimodal Contrastive Learning for Remote Sensing Change Detection
von: Du, Qiangang, et al.
Veröffentlicht: (2024)

PointRWKV: Efficient RWKV-Like Model for Hierarchical Point Cloud Learning
von: He, Qingdong, et al.
Veröffentlicht: (2024)

What Semantics Survive the Connector? Diagnosing VLM-to-DiT Alignment in Video Editing
von: Lin, Hangyu, et al.
Veröffentlicht: (2026)

CustAny: Customizing Anything from A Single Example
von: Kong, Lingjie, et al.
Veröffentlicht: (2024)

PixelPonder: Dynamic Patch Adaptation for Enhanced Multi-Conditional Text-to-Image Generation
von: Pan, Yanjie, et al.
Veröffentlicht: (2025)

SVFR: A Unified Framework for Generalized Video Face Restoration
von: Wang, Zhiyao, et al.
Veröffentlicht: (2025)

Towards Unified Multimodal Editing with Enhanced Knowledge Collaboration
von: Pan, Kaihang, et al.
Veröffentlicht: (2024)