Towards Pixel-Level VLM Perception via Simple Points Prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Song, Tianhui, Lu, Haoyu, Yang, Hao, Sui, Lin, Wu, Haoning, Zhou, Zaida, Huang, Zhiqi, Bao, Yiping, Charles, Y., Zhou, Xinyu, Wang, Limin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

WorldVQA: Measuring Atomic World Knowledge in Multimodal Large Language Models
von: Zhou, Runjie, et al.
Veröffentlicht: (2026)

TurboTrain: Towards Efficient and Balanced Multi-Task Learning for Multi-Agent Perception and Prediction
von: Zhou, Zewei, et al.
Veröffentlicht: (2025)

Randomized Iterative Solver as Iterative Refinement: A Simple Fix Towards Backward Stability
von: Xu, Ruihan, et al.
Veröffentlicht: (2024)

VideoReasonBench: Can MLLMs Perform Vision-Centric Complex Video Reasoning?
von: Liu, Yuanxin, et al.
Veröffentlicht: (2025)

MixFormerV2: Efficient Fully Transformer Tracking
von: Cui, Yutao, et al.
Veröffentlicht: (2023)

Towards Pixel-Level Prediction for Gaze Following: Benchmark and Approach
von: Liu, Feiyang, et al.
Veröffentlicht: (2024)

Rewriting the Code: A Simple Method for Large Language Model Augmented Code Search
von: Li, Haochen, et al.
Veröffentlicht: (2024)

PixelPrune: Pixel-Level Adaptive Visual Token Reduction via Predictive Coding
von: Wang, Nan, et al.
Veröffentlicht: (2026)

Towards Point Cloud Compression for Machine Perception: A Simple and Strong Baseline by Learning the Octree Depth Level Predictor
von: Liu, Lei, et al.
Veröffentlicht: (2024)

Toward an Integrated Cross-Urban Accident Prevention System: A Multi-Task Spatial-Temporal Learning Framework for Urban Safety Management
von: Fang, Jiayu, et al.
Veröffentlicht: (2026)

Explicit Compression Degradation Estimations for Low‐Sampling Single‐Pixel Imaging using Hadamard Basis
von: Haoyu Zhang, et al.
Veröffentlicht: (2025)

A Prediction-as-Perception Framework for 3D Object Detection
von: Zhang, Song, et al.
Veröffentlicht: (2026)

PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction
von: Meng, Ziqiao, et al.
Veröffentlicht: (2025)

PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction
von: Meng, Ziqiao, et al.
Veröffentlicht: (2025)

CPPO: Contrastive Perception Policy Optimization for VLM Agents
von: Rezaei, Ahmad, et al.
Veröffentlicht: (2026)

City-VLM: Towards Multidomain Perception Scene Understanding via Multimodal Incomplete Learning
von: Sun, Penglei, et al.
Veröffentlicht: (2025)

Rethinking VLM Representation for VLA Initialization
von: Lin, Weifeng, et al.
Veröffentlicht: (2026)

Dragging with Geometry: From Pixels to Geometry-Guided Image Editing
von: Pu, Xinyu, et al.
Veröffentlicht: (2025)

UPOCR: Towards Unified Pixel-Level OCR Interface
von: Peng, Dezhi, et al.
Veröffentlicht: (2023)

Photoacoustic Imaging in Inflammatory Orthopedic Diseases: Progress toward Precise Diagnostics and Predictive Regulation
von: Mengyi Huang, et al.
Veröffentlicht: (2025)

DynRsl-VLM: Enhancing Autonomous Driving Perception with Dynamic Resolution Vision-Language Models
von: Zhou, Xirui, et al.
Veröffentlicht: (2025)

V2XPnP: Vehicle-to-Everything Spatio-Temporal Fusion for Multi-Agent Perception and Prediction
von: Zhou, Zewei, et al.
Veröffentlicht: (2024)

Optimizing Predictive AI in Physical Design Flows with Mini Pixel Batch Gradient Descent
von: Yang, Haoyu, et al.
Veröffentlicht: (2024)

User Prompting Strategies and ChatGPT Contextual Adaptation Shape Conversational Information-Seeking Experiences
von: Xue, Haoning, et al.
Veröffentlicht: (2025)

From Masks to Pixels and Meaning: A New Taxonomy, Benchmark, and Metrics for VLM Image Tampering
von: Shang, Xinyi, et al.
Veröffentlicht: (2026)

SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving
von: Zheng, Peiru, et al.
Veröffentlicht: (2025)

Evaluating the Effect of Retrieval Augmentation on Social Biases
von: Zhang, Tianhui, et al.
Veröffentlicht: (2025)

G1: Bootstrapping Perception and Reasoning Abilities of Vision-Language Model via Reinforcement Learning
von: Chen, Liang, et al.
Veröffentlicht: (2025)

Prediction-Powered Conditional Inference
von: Sui, Yang, et al.
Veröffentlicht: (2026)

DeltaVLM: Interactive Remote Sensing Image Change Analysis via Instruction-guided Difference Perception
von: Deng, Pei, et al.
Veröffentlicht: (2025)

Enhanced Glioma Genotype Prediction Using CEST MRI With Full Z‐Spectrum Input, Pixel‐Level Learning, and Majority Voting
von: Zhekai Chen, et al.
Veröffentlicht: (2026)

PixelThink: Towards Efficient Chain-of-Pixel Reasoning
von: Wang, Song, et al.
Veröffentlicht: (2025)

PixelShuffler: A Simple Image Translation Through Pixel Rearrangement
von: Zamzam, Omar
Veröffentlicht: (2024)

Artificial Intelligence-Assisted Visualized Microspheres for Biochemical Analysis: From Encoding to Decoding.
von: Zhou, Yang, et al.
Veröffentlicht: (2025)

ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction
von: Shao, Zhiqi, et al.
Veröffentlicht: (2024)

Aperiodic intermittent containment consensus control for uncertain multi‐agent systems based on disturbance observer and input saturation
von: Beining Bao, et al.
Veröffentlicht: (2025)

Dynamic-VLM: Simple Dynamic Visual Token Compression for VideoLLM
von: Wang, Han, et al.
Veröffentlicht: (2024)

Collaboration! Towards Robust Neural Methods for Routing Problems
von: Zhou, Jianan, et al.
Veröffentlicht: (2024)

BMIP: Bi-directional Modality Interaction Prompt Learning for VLM
von: Lv, Song-Lin, et al.
Veröffentlicht: (2025)

JoDiffusion: Jointly Diffusing Image with Pixel-Level Annotations for Semantic Segmentation Promotion
von: Wang, Haoyu, et al.
Veröffentlicht: (2025)