Copertina

Multi-View Video Diffusion Policy: A 3D Spatio-Temporal-Aware Video Action Model

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Li, Peiyan, Chen, Yixiang, Xu, Yuan, Yang, Jiabing, Wu, Xiangnan, Guo, Jun, Sun, Nan, Qian, Long, Li, Xinghang, Xiao, Xin, Liu, Jing, Liu, Nianfeng, Kong, Tao, Huang, Yan, Wang, Liang, Tan, Tieniu
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Robotics Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

BridgeV2W: Bridging Video Generation Models to Embodied World Models via Embodiment Masks
di: Chen, Yixiang, et al.
Pubblicazione: (2026)

EC-Flow: Enabling Versatile Robotic Manipulation from Action-Unlabeled Videos via Embodiment-Centric Flow
di: Chen, Yixiang, et al.
Pubblicazione: (2025)

UAOR: Uncertainty-aware Observation Reinjection for Vision-Language-Action Models
di: Yang, Jiabing, et al.
Pubblicazione: (2026)

BridgeVLA: Input-Output Alignment for Efficient 3D Manipulation Learning with Vision-Language Models
di: Li, Peiyan, et al.
Pubblicazione: (2025)

Unified 4D World Action Modeling from Video Priors with Asynchronous Denoising
di: Guo, Jun, et al.
Pubblicazione: (2026)

SKIP: Sparse Keyframe Interpolation Paradigm for Efficient Embodied World Models
di: He, Ziheng, et al.
Pubblicazione: (2026)

What Matters in Building Vision-Language-Action Models for Generalist Robots
di: Li, Xinghang, et al.
Pubblicazione: (2024)

DVFace: Spatio-Temporal Dual-Prior Diffusion for Video Face Restoration
di: Chen, Zheng, et al.
Pubblicazione: (2026)

STARCaster: Spatio-Temporal AutoRegressive Video Diffusion for Identity- and View-Aware Talking Portraits
di: Papantoniou, Foivos Paraperas, et al.
Pubblicazione: (2025)

Open-o3-Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence
di: Meng, Jiahao, et al.
Pubblicazione: (2025)

Spatio-Temporal Distortion Aware Omnidirectional Video Super-Resolution
di: An, Hongyu, et al.
Pubblicazione: (2024)

RotVLA: Rotational Latent Action for Vision-Language-Action Model
di: Li, Qiwei, et al.
Pubblicazione: (2026)

VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG
di: Fu, Honghao, et al.
Pubblicazione: (2026)

V-STaR: Benchmarking Video-LLMs on Video Spatio-Temporal Reasoning
di: Cheng, Zixu, et al.
Pubblicazione: (2025)

Diffuman4D: 4D Consistent Human View Synthesis from Sparse-View Videos with Spatio-Temporal Diffusion Models
di: Jin, Yudong, et al.
Pubblicazione: (2025)

V-CAST: Video Curvature-Aware Spatio-Temporal Pruning for Efficient Video Large Language Models
di: Lin, Xinying, et al.
Pubblicazione: (2026)

Cluster-Wise Spatio-Temporal Masking for Efficient Video-Language Pretraining
di: Zhuang, Weijun, et al.
Pubblicazione: (2026)

Video2Act: A Dual-System Video Diffusion Policy with Robotic Spatio-Motional Modeling
di: Jia, Yueru, et al.
Pubblicazione: (2025)

EgoDemoGen: Egocentric Demonstration Generation for Viewpoint Generalization in Robotic Manipulation
di: Xu, Yuan, et al.
Pubblicazione: (2025)

Context-Guided Spatio-Temporal Video Grounding
di: Gu, Xin, et al.
Pubblicazione: (2024)

JavisDiT: Joint Audio-Video Diffusion Transformer with Hierarchical Spatio-Temporal Prior Synchronization
di: Liu, Kai, et al.
Pubblicazione: (2025)

VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification
di: Meng, Jiahao, et al.
Pubblicazione: (2026)

STCDiT: Spatio-Temporally Consistent Diffusion Transformer for High-Quality Video Super-Resolution
di: Chen, Junyang, et al.
Pubblicazione: (2025)

LaPA$^2$: Length-Aware Prefix and Prompt Attention Augmentation for Long-Form Controllable Text Generation
di: Yang, Jiabing, et al.
Pubblicazione: (2025)

AVoCaDO: An Audiovisual Video Captioner Driven by Temporal Orchestration
di: Chen, Xinlong, et al.
Pubblicazione: (2025)

DropletVideo: A Dataset and Approach to Explore Integral Spatio-Temporal Consistent Video Generation
di: Zhang, Runze, et al.
Pubblicazione: (2025)

Context-Aware Network Based on Multi-scale Spatio-temporal Attention for Action Recognition in Videos
di: Li, Xiaoyang, et al.
Pubblicazione: (2025)

Edit Temporal-Consistent Videos with Image Diffusion Model
di: Wang, Yuanzhi, et al.
Pubblicazione: (2023)

Vulnerability-Aware Spatio-Temporal Learning for Generalizable Deepfake Video Detection
di: Nguyen, Dat, et al.
Pubblicazione: (2025)

Towards Long-Form Spatio-Temporal Video Grounding
di: Gu, Xin, et al.
Pubblicazione: (2026)

VideoFusion: A Spatio-Temporal Collaborative Network for Multi-modal Video Fusion
di: Tang, Linfeng, et al.
Pubblicazione: (2025)

AICL: Action In-Context Learning for Video Diffusion Model
di: Liu, Jianzhi, et al.
Pubblicazione: (2024)

USTEP: Spatio-Temporal Predictive Learning under A Unified View
di: Tan, Cheng, et al.
Pubblicazione: (2023)

Knowing Your Target: Target-Aware Transformer Makes Better Spatio-Temporal Video Grounding
di: Gu, Xin, et al.
Pubblicazione: (2025)

Temporal Aware Pruning for Efficient Diffusion-based Video Generation
di: Li, Sheng, et al.
Pubblicazione: (2026)

STEP: Enhancing Video-LLMs' Compositional Reasoning by Spatio-Temporal Graph-guided Self-Training
di: Qiu, Haiyi, et al.
Pubblicazione: (2024)

End-to-End Streaming Video Temporal Action Segmentation with Reinforce Learning
di: Zhang, Jinrong, et al.
Pubblicazione: (2023)

Interactive $360^{\circ}$ Video Streaming Using FoV-Adaptive Coding with Temporal Prediction
di: Mao, Yixiang, et al.
Pubblicazione: (2024)

Minimalistic Video Saliency Prediction via Efficient Decoder & Spatio Temporal Action Cues
di: Girmaji, Rohit, et al.
Pubblicazione: (2025)

ToG-Bench: Task-Oriented Spatio-Temporal Grounding in Egocentric Videos
di: Xu, Qi'ao, et al.
Pubblicazione: (2025)