Buchumschlag

Enhancing Spatial Understanding in Image Generation via Reward Modeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tang, Zhenyu, Feng, Chaoran, Deng, Yufan, Wu, Jie, Li, Xiaojie, Wang, Rui, Chen, Yunpeng, Zhou, Daquan
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

HumanNet: Scaling Human-centric Video Learning to One Million Hours
von: Deng, Yufan, et al.
Veröffentlicht: (2026)

Rethinking Video Generation Model for the Embodied World
von: Deng, Yufan, et al.
Veröffentlicht: (2026)

Cycle3D: High-quality and Consistent Image-to-3D Generation via Generation-Reconstruction Cycle
von: Tang, Zhenyu, et al.
Veröffentlicht: (2024)

GS2E: Gaussian Splatting is an Effective Data Generator for Event Stream Generation
von: Li, Yuchen, et al.
Veröffentlicht: (2025)

SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation
von: Zhou, Sashuai, et al.
Veröffentlicht: (2026)

StoryDiffusion: Consistent Self-Attention for Long-Range Image and Video Generation
von: Zhou, Yupeng, et al.
Veröffentlicht: (2024)

Learning to Generate via Understanding: Understanding-Driven Intrinsic Rewarding for Unified Multimodal Models
von: Pan, Jiadong, et al.
Veröffentlicht: (2026)

Multimodal LLMs as Customized Reward Models for Text-to-Image Generation
von: Zhou, Shijie, et al.
Veröffentlicht: (2025)

MHLA: Restoring Expressivity of Linear Attention via Token-Level Multi-Head
von: Zhang, Kewei, et al.
Veröffentlicht: (2026)

DiffHarmony: Latent Diffusion Model Meets Image Harmonization
von: Zhou, Pengfei, et al.
Veröffentlicht: (2024)

Spatial Preference Rewarding for MLLMs Spatial Understanding
von: Qiu, Han, et al.
Veröffentlicht: (2025)

TS-Attn: Temporal-wise Separable Attention for Multi-Event Video Generation
von: Zhang, Hongyu, et al.
Veröffentlicht: (2026)

SpatialReward: Bridging the Perception Gap in Online RL for Image Editing via Explicit Spatial Reasoning
von: Long, Yancheng, et al.
Veröffentlicht: (2026)

ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning
von: Chen, Weifeng, et al.
Veröffentlicht: (2024)

StableVLA: Towards Robust Vision-Language-Action Models without Extra Data
von: Fu, Yiyang, et al.
Veröffentlicht: (2026)

SpatiaLoc: Leveraging Multi-Level Spatial Enhanced Descriptors for Cross-Modal Localization
von: Shang, Tianyi, et al.
Veröffentlicht: (2026)

EvaGaussians: Event Stream Assisted Gaussian Splatting from Blurry Images
von: Yu, Wangbo, et al.
Veröffentlicht: (2024)

OneReward: Unified Mask-Guided Image Generation via Multi-Task Human Preference Learning
von: Gong, Yuan, et al.
Veröffentlicht: (2025)

Video Generation Models Are Good Latent Reward Models
von: Mi, Xiaoyue, et al.
Veröffentlicht: (2025)

A High-Quality Text-Rich Image Instruction Tuning Dataset via Hybrid Instruction Generation
von: Zhou, Shijie, et al.
Veröffentlicht: (2024)

Multi-Scale Diffusion: Enhancing Spatial Layout in High-Resolution Panoramic Image Generation
von: Zhang, Xiaoyu, et al.
Veröffentlicht: (2024)

Enhancing MLLM Spatial Understanding via Active 3D Scene Exploration for Multi-Perspective Reasoning
von: Chen, Jiahua, et al.
Veröffentlicht: (2026)

Unified Reward Model for Multimodal Understanding and Generation
von: Wang, Yibin, et al.
Veröffentlicht: (2025)

Understanding Reward Hacking in Text-to-Image Reinforcement Learning
von: Hong, Yunqi, et al.
Veröffentlicht: (2026)

Reading Images Like Texts: Sequential Image Understanding in Vision-Language Models
von: Li, Yueyan, et al.
Veröffentlicht: (2025)

UniGen-1.5: Enhancing Image Generation and Editing through Reward Unification in Reinforcement Learning
von: Tian, Rui, et al.
Veröffentlicht: (2025)

Enhancing Reward Models for High-quality Image Generation: Beyond Text-Image Alignment
von: Ba, Ying, et al.
Veröffentlicht: (2025)

TwinDiffusion: Enhancing Coherence and Efficiency in Panoramic Image Generation with Diffusion Models
von: Zhou, Teng, et al.
Veröffentlicht: (2024)

VARGPT: Unified Understanding and Generation in a Visual Autoregressive Multimodal Large Language Model
von: Zhuang, Xianwei, et al.
Veröffentlicht: (2025)

Spatial Chain-of-Thought: Bridging Understanding and Generation Models for Spatial Reasoning Generation
von: Chen, Wei, et al.
Veröffentlicht: (2026)

CoMPaSS: Enhancing Spatial Understanding in Text-to-Image Diffusion Models
von: Zhang, Gaoyang, et al.
Veröffentlicht: (2024)

AR-1-to-3: Single Image to Consistent 3D Object Generation via Next-View Prediction
von: Zhang, Xuying, et al.
Veröffentlicht: (2025)

Loong: Generating Minute-level Long Videos with Autoregressive Language Models
von: Wang, Yuqing, et al.
Veröffentlicht: (2024)

3DVLA: Enhancing Vision-Language-Action Models via 3D Spatial and Instance Understanding
von: Xia, Zhongyu, et al.
Veröffentlicht: (2026)

The Image as Its Own Reward: Reinforcement Learning with Adversarial Reward for Image Generation
von: Mao, Weijia, et al.
Veröffentlicht: (2025)

HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models
von: Liang, Huizhi, et al.
Veröffentlicht: (2026)

CLEAR: Unlocking Generative Potential for Degraded Image Understanding in Unified Multimodal Models
von: Hao, Xiangzhao, et al.
Veröffentlicht: (2026)

PLLaVA : Parameter-free LLaVA Extension from Images to Videos for Video Dense Captioning
von: Xu, Lin, et al.
Veröffentlicht: (2024)

AIGI-Holmes: Towards Explainable and Generalizable AI-Generated Image Detection via Multimodal Large Language Models
von: Zhou, Ziyin, et al.
Veröffentlicht: (2025)

AE-NeRF: Augmenting Event-Based Neural Radiance Fields for Non-ideal Conditions and Larger Scene
von: Feng, Chaoran, et al.
Veröffentlicht: (2025)