SpatialV2A: Visual-Guided High-fidelity Spatial Audio Generation
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wang, Yanan, Ren, Linjie, Li, Zihao, Wang, Junyi, Gan, Tian |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Query-Guided Spatial-Temporal-Frequency Interaction for Music Audio-Visual Question Answering
par: Li, Kun, et autres
Publié: (2026)
par: Li, Kun, et autres
Publié: (2026)
Unfolding Spatial Cognition: Evaluating Multimodal Models on Visual Simulations
par: Li, Linjie, et autres
Publié: (2025)
par: Li, Linjie, et autres
Publié: (2025)
Visual Spatial Tuning
par: Yang, Rui, et autres
Publié: (2025)
par: Yang, Rui, et autres
Publié: (2025)
From Sequential to Spatial: Reordering Autoregression for Efficient Visual Generation
par: Wang, Siyang, et autres
Publié: (2025)
par: Wang, Siyang, et autres
Publié: (2025)
pySpatial: Generating 3D Visual Programs for Zero-Shot Spatial Reasoning
par: Luo, Zhanpeng, et autres
Publié: (2026)
par: Luo, Zhanpeng, et autres
Publié: (2026)
Robust Audio-Visual Segmentation via Audio-Guided Visual Convergent Alignment
par: Liu, Chen, et autres
Publié: (2025)
par: Liu, Chen, et autres
Publié: (2025)
MOSPA: Human Motion Generation Driven by Spatial Audio
par: Xu, Shuyang, et autres
Publié: (2025)
par: Xu, Shuyang, et autres
Publié: (2025)
PixelWizard: Towards Efficient High-Fidelity Video Generation at Ultra-Large Spatial Resolution
par: Li, Wenxue, et autres
Publié: (2026)
par: Li, Wenxue, et autres
Publié: (2026)
Rethinking Token Pruning for Historical Screenshots in GUI Visual Agents: Semantic, Spatial, and Temporal Perspectives
par: Li, Daiqiang, et autres
Publié: (2026)
par: Li, Daiqiang, et autres
Publié: (2026)
EMO2: End-Effector Guided Audio-Driven Avatar Video Generation
par: Tian, Linrui, et autres
Publié: (2025)
par: Tian, Linrui, et autres
Publié: (2025)
AV-DiT: Efficient Audio-Visual Diffusion Transformer for Joint Audio and Video Generation
par: Wang, Kai, et autres
Publié: (2024)
par: Wang, Kai, et autres
Publié: (2024)
SpatialViz-Bench: A Cognitively-Grounded Benchmark for Diagnosing Spatial Visualization in MLLMs
par: Wang, Siting, et autres
Publié: (2025)
par: Wang, Siting, et autres
Publié: (2025)
Controllable Audio-Visual Viewpoint Generation from 360° Spatial Information
par: Marinoni, Christian, et autres
Publié: (2025)
par: Marinoni, Christian, et autres
Publié: (2025)
Lightweight Spatial Embedding for Vision-based 3D Occupancy Prediction
par: Zhang, Jinqing, et autres
Publié: (2024)
par: Zhang, Jinqing, et autres
Publié: (2024)
OmniAudio: Generating Spatial Audio from 360-Degree Video
par: Liu, Huadai, et autres
Publié: (2025)
par: Liu, Huadai, et autres
Publié: (2025)
SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning
par: Li, Yian, et autres
Publié: (2026)
par: Li, Yian, et autres
Publié: (2026)
VSFormer: Visual-Spatial Fusion Transformer for Correspondence Pruning
par: Liao, Tangfei, et autres
Publié: (2023)
par: Liao, Tangfei, et autres
Publié: (2023)
OSInsert: Towards High-authenticity and High-fidelity Image Composition
par: Wang, Jingyuan, et autres
Publié: (2026)
par: Wang, Jingyuan, et autres
Publié: (2026)
Wan-S2V: Audio-Driven Cinematic Video Generation
par: Gao, Xin, et autres
Publié: (2025)
par: Gao, Xin, et autres
Publié: (2025)
DyDiT++: Diffusion Transformers with Timestep and Spatial Dynamics for Efficient Visual Generation
par: Zhao, Wangbo, et autres
Publié: (2025)
par: Zhao, Wangbo, et autres
Publié: (2025)
SpatialBoost: Enhancing Visual Representation through Language-Guided Reasoning
par: Jeon, Byungwoo, et autres
Publié: (2026)
par: Jeon, Byungwoo, et autres
Publié: (2026)
Identity-Preserving Text-to-Video Generation Guided by Simple yet Effective Spatial-Temporal Decoupled Representations
par: Wang, Yuji, et autres
Publié: (2025)
par: Wang, Yuji, et autres
Publié: (2025)
Audio-Guided Visual Perception for Audio-Visual Navigation
par: Wang, Yi, et autres
Publié: (2025)
par: Wang, Yi, et autres
Publié: (2025)
SSG-Dit: A Spatial Signal Guided Framework for Controllable Video Generation
par: Hu, Peng, et autres
Publié: (2025)
par: Hu, Peng, et autres
Publié: (2025)
Native Audio-Visual Alignment for Generation
par: Ji, Longbin, et autres
Publié: (2026)
par: Ji, Longbin, et autres
Publié: (2026)
UniVL: Unified Vision-Language Embedding for Spatially Grounded Contextual Image Generation
par: Wang, Jiayun, et autres
Publié: (2026)
par: Wang, Jiayun, et autres
Publié: (2026)
Struct2D: A Perception-Guided Framework for Spatial Reasoning in MLLMs
par: Zhu, Fangrui, et autres
Publié: (2025)
par: Zhu, Fangrui, et autres
Publié: (2025)
Leveraging the Spatial Hierarchy: Coarse-to-fine Trajectory Generation via Cascaded Hybrid Diffusion
par: Guo, Baoshen, et autres
Publié: (2025)
par: Guo, Baoshen, et autres
Publié: (2025)
From Waveforms to Pixels: A Survey on Audio-Visual Segmentation
par: Li, Jia, et autres
Publié: (2025)
par: Li, Jia, et autres
Publié: (2025)
PreciseCache: Precise Feature Caching for Efficient and High-fidelity Video Generation
par: Wang, Jiangshan, et autres
Publié: (2026)
par: Wang, Jiangshan, et autres
Publié: (2026)
LLaVA-VSD: Large Language-and-Vision Assistant for Visual Spatial Description
par: Jin, Yizhang, et autres
Publié: (2024)
par: Jin, Yizhang, et autres
Publié: (2024)
Real-time High-fidelity Gaussian Human Avatars with Position-based Interpolation of Spatially Distributed MLPs
par: Zhan, Youyi, et autres
Publié: (2025)
par: Zhan, Youyi, et autres
Publié: (2025)
Diagnostic Benchmark and Iterative Inpainting for Layout-Guided Image Generation
par: Cho, Jaemin, et autres
Publié: (2023)
par: Cho, Jaemin, et autres
Publié: (2023)
VideoAnchor: Reinforcing Subspace-Structured Visual Cues for Coherent Visual-Spatial Reasoning
par: Wang, Zhaozhi, et autres
Publié: (2025)
par: Wang, Zhaozhi, et autres
Publié: (2025)
Spatial Orthogonal Refinement for Robust RGB-Event Visual Object Tracking
par: Huang, Dexing, et autres
Publié: (2026)
par: Huang, Dexing, et autres
Publié: (2026)
Language-Guided Joint Audio-Visual Editing via One-Shot Adaptation
par: Liang, Susan, et autres
Publié: (2024)
par: Liang, Susan, et autres
Publié: (2024)
Q-GeoMem: Question-Guided Geometric Memory for Video Spatial Reasoning
par: Gao, Xianqiang, et autres
Publié: (2026)
par: Gao, Xianqiang, et autres
Publié: (2026)
Frequency-Guided Spatial Adaptation for Camouflaged Object Detection
par: Zhang, Shizhou, et autres
Publié: (2024)
par: Zhang, Shizhou, et autres
Publié: (2024)
Idea2Img: Iterative Self-Refinement with GPT-4V(ision) for Automatic Image Design and Generation
par: Yang, Zhengyuan, et autres
Publié: (2023)
par: Yang, Zhengyuan, et autres
Publié: (2023)
LLaVA-SP: Enhancing Visual Representation with Visual Spatial Tokens for MLLMs
par: Lou, Haoran, et autres
Publié: (2025)
par: Lou, Haoran, et autres
Publié: (2025)
Documents similaires
-
Query-Guided Spatial-Temporal-Frequency Interaction for Music Audio-Visual Question Answering
par: Li, Kun, et autres
Publié: (2026) -
Unfolding Spatial Cognition: Evaluating Multimodal Models on Visual Simulations
par: Li, Linjie, et autres
Publié: (2025) -
Visual Spatial Tuning
par: Yang, Rui, et autres
Publié: (2025) -
From Sequential to Spatial: Reordering Autoregression for Efficient Visual Generation
par: Wang, Siyang, et autres
Publié: (2025) -
pySpatial: Generating 3D Visual Programs for Zero-Shot Spatial Reasoning
par: Luo, Zhanpeng, et autres
Publié: (2026)