Buchumschlag

MVHOI: Bridge Multi-view Condition to Complex Human-Object Interaction Video Reenactment via 3D Foundation Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tong, Jinguang, Wu, Jinbo, Wang, Kaisiyuan, Shen, Zhelun, Huang, Xuan, Xiang, Mochu, Li, Xuesong, Li, Yingying, Feng, Haocheng, Zhao, Chen, Zhou, Hang, He, Wei, Nguyen, Chuong, Wang, Jingdong, Li, Hongdong
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

iDiT-HOI: Inpainting-based Hand Object Interaction Reenactment via Video Diffusion Transformer
von: Shen, Zhelun, et al.
Veröffentlicht: (2025)

Re-HOLD: Video Hand Object Interaction Reenactment via adaptive Layout-instructed Diffusion Model
von: Fan, Yingying, et al.
Veröffentlicht: (2025)

GenHOI: Towards Object-Consistent Hand-Object Interaction with Temporally Balanced and Spatially Selective Object Injection
von: Huang, Xuan, et al.
Veröffentlicht: (2026)

GS-2DGS: Geometrically Supervised 2DGS for Reflective Object Reconstruction
von: Tong, Jinguang, et al.
Veröffentlicht: (2025)

RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations
von: Xiang, Mochu, et al.
Veröffentlicht: (2026)

TALK-Act: Enhance Textural-Awareness for 2D Speaking Avatar Reenactment with Diffusion Model
von: Guan, Jiazhi, et al.
Veröffentlicht: (2024)

EvoScene-VLA: Evolving Scene Beliefs Inside the Action Decoder for Chunked Robot Control
von: Zhang, Chushan, et al.
Veröffentlicht: (2026)

DISPLAY: Directable Human-Object Interaction Video Generation via Sparse Motion Guidance and Multi-Task Auxiliary
von: Guan, Jiazhi, et al.
Veröffentlicht: (2026)

3D-IDE: 3D Implicit Depth Emergent
von: Zhang, Chushan, et al.
Veröffentlicht: (2026)

Cosh-DiT: Co-Speech Gesture Video Synthesis via Hybrid Audio-Visual Diffusion Transformers
von: Sun, Yasheng, et al.
Veröffentlicht: (2025)

Mitigating Multimodal Hallucinations via Gradient-based Self-Reflection
von: Wang, Shan, et al.
Veröffentlicht: (2025)

GestureHYDRA: Semantic Co-speech Gesture Synthesis via Hybrid Modality Diffusion Transformer and Cascaded-Synchronized Retrieval-Augmented Generation
von: Yang, Quanwei, et al.
Veröffentlicht: (2025)

Structural Energy Guidance for View-Consistent Text-to-3D Generation
von: Zhang, Qing, et al.
Veröffentlicht: (2026)

Improving Viewpoint Consistency in 3D Generation via Structure Feature and CLIP Guidance
von: Zhang, Qing, et al.
Veröffentlicht: (2024)

DGNS: Deformable Gaussian Splatting and Dynamic Neural Surface for Monocular Dynamic 3D Reconstruction
von: Li, Xuesong, et al.
Veröffentlicht: (2024)

Structural Energy-Guided Sampling for View-Consistent Text-to-3D
von: Zhang, Qing, et al.
Veröffentlicht: (2025)

AudCast: Audio-Driven Human Video Generation by Cascaded Diffusion Transformers
von: Guan, Jiazhi, et al.
Veröffentlicht: (2025)

Probing and Bridging Geometry-Interaction Cues for Affordance Reasoning in Vision Foundation Models
von: Zhang, Qing, et al.
Veröffentlicht: (2026)

OPEN: Object-wise Position Embedding for Multi-view 3D Object Detection
von: Hou, Jinghua, et al.
Veröffentlicht: (2024)

DPBridge: Latent Diffusion Bridge for Dense Prediction
von: Ji, Haorui, et al.
Veröffentlicht: (2024)

AnyAct: Towards Human Reenactment of Character Motion From Video
von: Chen, Liuhan, et al.
Veröffentlicht: (2026)

Geometry-guided Cross-view Diffusion for One-to-many Cross-view Image Synthesis
von: Lin, Tao Jun, et al.
Veröffentlicht: (2024)

Enhancing Features in Long-tailed Data Using Large Vision Model
von: Han, Pengxiao, et al.
Veröffentlicht: (2025)

Quantum decision trees with information entropy
von: Li, Zhelun, et al.
Veröffentlicht: (2025)

Adaptive and Balanced Re-initialization for Long-timescale Continual Test-time Domain Adaptation
von: Wang, Yanshuo, et al.
Veröffentlicht: (2026)

Maintain Plasticity in Long-timescale Continual Test-time Adaptation
von: Wang, Yanshuo, et al.
Veröffentlicht: (2024)

InterDyad: Interactive Dyadic Speech-to-Video Generation by Querying Intermediate Visual Guidance
von: Pan, Dongwei, et al.
Veröffentlicht: (2026)

ReSyncer: Rewiring Style-based Generator for Unified Audio-Visually Synced Facial Performer
von: Guan, Jiazhi, et al.
Veröffentlicht: (2024)

Monte Carlo Analysis of Boid Simulations with Obstacles: A Physics-Based Perspective
von: Nguyen, Quoc Chuong
Veröffentlicht: (2024)

Network Sampling: An Overview and Comparative Analysis
von: Nguyen, Quoc Chuong
Veröffentlicht: (2025)

SABER: Spatially Consistent 3D Universal Adversarial Objects for BEV Detectors
von: Li, Aixuan, et al.
Veröffentlicht: (2025)

Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection
von: Li, Jiaming, et al.
Veröffentlicht: (2024)

Homography Guided Temporal Fusion for Road Line and Marking Segmentation
von: Wang, Shan, et al.
Veröffentlicht: (2024)

AVI-Talking: Learning Audio-Visual Instructions for Expressive 3D Talking Face Generation
von: Sun, Yasheng, et al.
Veröffentlicht: (2024)

Contrastive Conditional Latent Diffusion for Audio-visual Segmentation
von: Mao, Yuxin, et al.
Veröffentlicht: (2023)

Bridging Human Interpretation and Machine Representation: A Landscape of Qualitative Data Analysis in the LLM Era
von: Pi, Xinyu, et al.
Veröffentlicht: (2026)

Degeneration of the archimedean height pairing of algebraically trivial cycles
von: Chen, Zhelun
Veröffentlicht: (2025)

Anchored Diffusion for Video Face Reenactment
von: Kligvasser, Idan, et al.
Veröffentlicht: (2024)

WaveletGaussian: Wavelet-domain Diffusion for Sparse-view 3D Gaussian Object Reconstruction
von: Nguyen, Hung, et al.
Veröffentlicht: (2025)

Anchor-free Cross-view Object Geo-localization with Gaussian Position Encoding and Cross-view Association
von: Ling, Xingtao, et al.
Veröffentlicht: (2025)