PrecisionCUA: Iterative Visual Refinement for Pixel-Precise Cursor Grounding in Code Editors

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mittal, Himangi, Mittal, Gaurav, Troncoso, Nelson Daniel, Hu, Yu
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

Tracking-Guided 4D Generation: Foundation-Tracker Motion Priors for 3D Model Animation
von: Sun, Su, et al.
Veröffentlicht: (2025)

Can't make an Omelette without Breaking some Eggs: Plausible Action Anticipation using Large Video-Language Models
von: Mittal, Himangi, et al.
Veröffentlicht: (2024)

UniPhy: Learning a Unified Constitutive Model for Inverse Physics Simulation
von: Mittal, Himangi, et al.
Veröffentlicht: (2025)

Pixels to Signals: A Real-Time Framework for Traffic Demand Estimation
von: Mhatre, H, et al.
Veröffentlicht: (2025)

PixelArena: A benchmark for Pixel-Precision Visual Intelligence
von: Liang, Feng, et al.
Veröffentlicht: (2025)

Neural Radiance Fields: Past, Present, and Future
von: Mittal, Ansh
Veröffentlicht: (2023)

WiCV at CVPR 2025: The Women in Computer Vision Workshop
von: Talavera, Estefania, et al.
Veröffentlicht: (2025)

WiCV@CVPR2024: The Thirteenth Women In Computer Vision Workshop at the Annual CVPR Conference
von: Aslam, Asra, et al.
Veröffentlicht: (2024)

SPARROW: Learning Spatial Precision and Temporal Referential Consistency in Pixel-Grounded Video MLLMs
von: Alansari, Mohamad, et al.
Veröffentlicht: (2026)

Exploring Iterative Refinement with Diffusion Models for Video Grounding
von: Liang, Xiao, et al.
Veröffentlicht: (2023)

\textsc{GUI-Spotlight}: Adaptive Iterative Focus Refinement for Enhanced GUI Visual Grounding
von: Lei, Bin, et al.
Veröffentlicht: (2025)

Improving Visual Reasoning with Iterative Evidence Refinement
von: Shi, Zeru, et al.
Veröffentlicht: (2026)

MedReasoner: Reinforcement Learning Drives Reasoning Grounding from Clinical Thought to Pixel-Level Precision
von: Yan, Zhonghao, et al.
Veröffentlicht: (2025)

LoSA: Long-Short-range Adapter for Scaling End-to-End Temporal Action Localization
von: Gupta, Akshita, et al.
Veröffentlicht: (2024)

End-to-end Training for Text-to-Image Synthesis using Dual-Text Embeddings
von: Ahmed, Yeruru Asrar, et al.
Veröffentlicht: (2025)

TerraScope: Pixel-Grounded Visual Reasoning for Earth Observation
von: Shu, Yan, et al.
Veröffentlicht: (2026)

OpenCUA: Open Foundations for Computer-Use Agents
von: Wang, Xinyuan, et al.
Veröffentlicht: (2025)

Visual Self-Refine: A Pixel-Guided Paradigm for Accurate Chart Parsing
von: Li, Jinsong, et al.
Veröffentlicht: (2026)

PISCES: Annotation-free Text-to-Video Post-Training via Optimal Transport-Aligned Rewards
von: Le, Minh-Quan, et al.
Veröffentlicht: (2026)

Learning-Based Vision Systems for Semi-Autonomous Forklift Operation in Industrial Warehouse Environments
von: Sutar, Vamshika, et al.
Veröffentlicht: (2025)

DIFEM: Key-points Interaction based Feature Extraction Module for Violence Recognition in Videos
von: Mittal, Himanshu, et al.
Veröffentlicht: (2024)

CodePercept: Code-Grounded Visual STEM Perception for MLLMs
von: Guan, Tongkun, et al.
Veröffentlicht: (2026)

GroundingSuite: Measuring Complex Multi-Granular Pixel Grounding
von: Hu, Rui, et al.
Veröffentlicht: (2025)

DriveFine: Refining-Augmented Masked Diffusion VLA for Precise and Robust Driving
von: Dang, Chenxu, et al.
Veröffentlicht: (2026)

Pixel-SAIL: Single Transformer For Pixel-Grounded Understanding
von: Zhang, Tao, et al.
Veröffentlicht: (2025)

Bootstrapping Physics-Grounded Video Generation through VLM-Guided Iterative Self-Refinement
von: Liu, Yang, et al.
Veröffentlicht: (2025)

ScaleCUA: Scaling Open-Source Computer Use Agents with Cross-Platform Data
von: Liu, Zhaoyang, et al.
Veröffentlicht: (2025)

DeCafNet: Delegate and Conquer for Efficient Temporal Grounding in Long Videos
von: Lu, Zijia, et al.
Veröffentlicht: (2025)

Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding
von: Tang, Yutao, et al.
Veröffentlicht: (2025)

TreeCUA: Efficiently Scaling GUI Automation with Tree-Structured Verifiable Evolution
von: Jiang, Deyang, et al.
Veröffentlicht: (2026)

Precise Action-to-Video Generation Through Visual Action Prompts
von: Wang, Yuang, et al.
Veröffentlicht: (2025)

Beyond Images: Adaptive Fusion of Visual and Textual Data for Food Classification
von: Mittal, Prateek, et al.
Veröffentlicht: (2023)

Enhancing Open-Vocabulary Object Detection through Multi-Level Fine-Grained Visual-Language Alignment
von: Zhang, Tianyi, et al.
Veröffentlicht: (2026)

Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts
von: Chen, Xi, et al.
Veröffentlicht: (2026)

R-VLM: Region-Aware Vision Language Model for Precise GUI Grounding
von: Park, Joonhyung, et al.
Veröffentlicht: (2025)

ANNEXE: Unified Analyzing, Answering, and Pixel Grounding for Egocentric Interaction
von: Su, Yuejiao, et al.
Veröffentlicht: (2025)

ViserDex: Visual Sim-to-Real for Robust Dexterous In-hand Reorientation
von: Bhardwaj, Arjun, et al.
Veröffentlicht: (2026)

GeoPixel: Pixel Grounding Large Multimodal Model in Remote Sensing
von: Shabbir, Akashah, et al.
Veröffentlicht: (2025)

Ground-V: Teaching VLMs to Ground Complex Instructions in Pixels
von: Zong, Yongshuo, et al.
Veröffentlicht: (2025)

UltraCUA: A Foundation Model for Computer Use Agents with Hybrid Action
von: Yang, Yuhao, et al.
Veröffentlicht: (2025)