Omni-MMSI: Toward Identity-attributed Social Interaction Understanding

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Li, Xinpeng, Lai, Bolin, Chen, Hardy, Deng, Shijian, Xie, Cihang, Zhou, Yuyin, Rehg, James Matthew, Tian, Yapeng
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Towards Online Multi-Modal Social Interaction Understanding
di: Li, Xinpeng, et al.
Pubblicazione: (2025)

OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text
di: Pian, Weiguo, et al.
Pubblicazione: (2026)

SocialGesture: Delving into Multi-person Gesture Understanding
di: Cao, Xu, et al.
Pubblicazione: (2025)

Modeling Multimodal Social Interactions: New Challenges and Baselines with Densely Aligned Representations
di: Lee, Sangmin, et al.
Pubblicazione: (2024)

In the Eye of Transformer: Global-Local Correlation for Egocentric Gaze Estimation
di: Lai, Bolin, et al.
Pubblicazione: (2022)

ARGaze: Autoregressive Transformers for Online Egocentric Gaze Estimation
di: Li, Jia, et al.
Pubblicazione: (2026)

Listen to Look into the Future: Audio-Visual Egocentric Gaze Anticipation
di: Lai, Bolin, et al.
Pubblicazione: (2023)

MM-SpuBench: Towards Better Understanding of Spurious Biases in Multimodal LLMs
di: Ye, Wenqian, et al.
Pubblicazione: (2024)

Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective
di: Lai, Bolin, et al.
Pubblicazione: (2025)

Sculpting Holistic 3D Representation in Contrastive Language-Image-3D Pre-training
di: Gao, Yipeng, et al.
Pubblicazione: (2023)

GRASP: Learning to Ground Social Reasoning in Multi-Person Non-Verbal Interactions
di: Kim, Junho, et al.
Pubblicazione: (2026)

Learning Predictive Visuomotor Coordination
di: Jia, Wenqi, et al.
Pubblicazione: (2025)

AV-DiT: Efficient Audio-Visual Diffusion Transformer for Joint Audio and Video Generation
di: Wang, Kai, et al.
Pubblicazione: (2024)

MMSI-Bench: A Benchmark for Multi-Image Spatial Intelligence
di: Yang, Sihan, et al.
Pubblicazione: (2025)

Unified Text-Image-to-Video Generation: A Training-Free Approach to Flexible Visual Conditioning
di: Lai, Bolin, et al.
Pubblicazione: (2025)

Distillation Dynamics: Towards Understanding Feature-Based Distillation in Vision Transformers
di: Tian, Huiyuan, et al.
Pubblicazione: (2025)

LEGO: Learning EGOcentric Action Frame Generation via Visual Instruction Tuning
di: Lai, Bolin, et al.
Pubblicazione: (2023)

From Seeing to Thinking: Decoupling Perception and Reasoning Improves Post-Training of Vision-Language Models
di: Wu, Juncheng, et al.
Pubblicazione: (2026)

$\texttt{Complex-Edit}$: CoT-Like Instruction Generation for Complexity-Controllable Image Editing Benchmark
di: Yang, Siwei, et al.
Pubblicazione: (2025)

MMSI-Video-Bench: A Holistic Benchmark for Video-Based Spatial Intelligence
di: Lin, Jingli, et al.
Pubblicazione: (2025)

OpenVision 2: A Family of Generative Pretrained Visual Encoders for Multimodal Learning
di: Liu, Yanqing, et al.
Pubblicazione: (2025)

Scaling White-Box Transformers for Vision
di: Yang, Jinrui, et al.
Pubblicazione: (2024)

Scaling Laws in Patchification: An Image Is Worth 50,176 Tokens And More
di: Wang, Feng, et al.
Pubblicazione: (2025)

GPT-IMAGE-EDIT-1.5M: A Million-Scale, GPT-Generated Image Dataset
di: Wang, Yuhan, et al.
Pubblicazione: (2025)

3D-TransUNet for Brain Metastases Segmentation in the BraTS2023 Challenge
di: Yang, Siwei, et al.
Pubblicazione: (2024)

Kestrel: Grounding Self-Refinement for LVLM Hallucination Mitigation
di: Mao, Jiawei, et al.
Pubblicazione: (2026)

Explainable AI-Generated Image Detection RewardBench
di: Yang, Michael, et al.
Pubblicazione: (2025)

L2B: Learning to Bootstrap Robust Models for Combating Label Noise
di: Zhou, Yuyin, et al.
Pubblicazione: (2022)

A Unified and Controllable Framework for Layered Image Generation with Visual Effects
di: Yang, Jinrui, et al.
Pubblicazione: (2026)

Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales
di: Qian, Zhaofang, et al.
Pubblicazione: (2025)

MedTrinity-25M: A Large-scale Multimodal Dataset with Multigranular Annotations for Medicine
di: Xie, Yunfei, et al.
Pubblicazione: (2024)

ROMA: Real-time Omni-Multimodal Assistant with Interactive Streaming Understanding
di: Tian, Xueyun, et al.
Pubblicazione: (2026)

ARFlow: Autoregressive Flow with Hybrid Linear Attention
di: Hui, Mude, et al.
Pubblicazione: (2025)

IAM: Identity-Aware Human Motion and Shape Joint Generation
di: Jia, Wenqi, et al.
Pubblicazione: (2026)

HQ-Edit: A High-Quality Dataset for Instruction-based Image Editing
di: Hui, Mude, et al.
Pubblicazione: (2024)

Mamba-R: Vision Mamba ALSO Needs Registers
di: Wang, Feng, et al.
Pubblicazione: (2024)

Story-Iter: A Training-free Iterative Paradigm for Long Story Visualization
di: Mao, Jiawei, et al.
Pubblicazione: (2024)

OmniPerson: Unified Identity-Preserving Pedestrian Generation
di: Ma, Changxiao, et al.
Pubblicazione: (2025)

OmniSTVG: Toward Spatio-Temporal Omni-Object Video Grounding
di: Yao, Jiali, et al.
Pubblicazione: (2025)

ViLBench: A Suite for Vision-Language Process Reward Modeling
di: Tu, Haoqin, et al.
Pubblicazione: (2025)