Buchumschlag

Latent Action Control for Reasoning-Guided Unified Image Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhai, Fuxiang, Chen, Sixiang, Li, Yingjin, Li, Shuaibo, Lai, Jianyu, Huang, Tengjun, Zhu, Lei
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

GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation
von: Chen, Sixiang, et al.
Veröffentlicht: (2026)

PosterOmni: Generalized Artistic Poster Creation via Task Distillation and Unified Reward Feedback
von: Chen, Sixiang, et al.
Veröffentlicht: (2026)

Learning Additively Compositional Latent Actions for Embodied AI
von: Wei, Hangxing, et al.
Veröffentlicht: (2026)

LucidNFT: LR-Anchored Multi-Reward Preference Optimization for Flow-Based Real-World Super-Resolution
von: Fei, Song, et al.
Veröffentlicht: (2026)

Surgery-R1: Advancing Surgical-VQLA with Reasoning Multimodal Large Language Model via Reinforcement Learning
von: Hao, Pengfei, et al.
Veröffentlicht: (2025)

MILR: Improving Multimodal Image Generation via Test-Time Latent Reasoning
von: Mi, Yapeng, et al.
Veröffentlicht: (2025)

Stabilize the Latent Space for Image Autoregressive Modeling: A Unified Perspective
von: Zhu, Yongxin, et al.
Veröffentlicht: (2024)

Spatial-Aware Latent Initialization for Controllable Image Generation
von: Sun, Wenqiang, et al.
Veröffentlicht: (2024)

Efficient Remote Sensing with Harmonized Transfer Learning and Modality Alignment
von: Huang, Tengjun
Veröffentlicht: (2024)

A Survey of Multimodal Composite Editing and Retrieval
von: Li, Suyan, et al.
Veröffentlicht: (2024)

ATA: Bridging Implicit Reasoning with Attention-Guided and Action-Guided Inference for Vision-Language Action Models
von: Yang, Cheng, et al.
Veröffentlicht: (2026)

TransLight: Image-Guided Customized Lighting Control with Generative Decoupling
von: Li, Zongming, et al.
Veröffentlicht: (2025)

iWorld-Bench: A Benchmark for Interactive World Models with a Unified Action Generation Framework
von: Fang, Jianjie, et al.
Veröffentlicht: (2026)

LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling
von: Li, Huaqiu, et al.
Veröffentlicht: (2025)

Chain of World: World Model Thinking in Latent Motion
von: Yang, Fuxiang, et al.
Veröffentlicht: (2026)

AeroLite: Tag-Guided Lightweight Generation of Aerial Image Captions
von: Zi, Xing, et al.
Veröffentlicht: (2025)

Surgical-MambaLLM: Mamba2-enhanced Multimodal Large Language Model for VQLA in Robotic Surgery
von: Hao, Pengfei, et al.
Veröffentlicht: (2025)

LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning
von: Hao, Haihong, et al.
Veröffentlicht: (2026)

Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement
von: Liu, Yidi, et al.
Veröffentlicht: (2025)

Reward Guided Latent Consistency Distillation
von: Li, Jiachen, et al.
Veröffentlicht: (2024)

What-Meets-Where: Unified Learning of Action and Contact Localization in Images
von: Wang, Yuxiao, et al.
Veröffentlicht: (2025)

Gradient Harmonization in Unsupervised Domain Adaptation
von: Huang, Fuxiang, et al.
Veröffentlicht: (2024)

Unified Thinker: A General Reasoning Modular Core for Image Generation
von: Zhou, Sashuai, et al.
Veröffentlicht: (2026)

WholeBodyVLA: Towards Unified Latent VLA for Whole-Body Loco-Manipulation Control
von: Jiang, Haoran, et al.
Veröffentlicht: (2025)

OmniGen: Unified Image Generation
von: Xiao, Shitao, et al.
Veröffentlicht: (2024)

The Thinking Pixel: Recursive Sparse Reasoning in Multimodal Diffusion Latents
von: Sun, Yuwei, et al.
Veröffentlicht: (2026)

Learning Patient-Specific Disease Dynamics with Latent Flow Matching for Longitudinal Imaging Generation
von: Chen, Hao, et al.
Veröffentlicht: (2025)

SemHiTok: A Unified Image Tokenizer via Semantic-Guided Hierarchical Codebook for Multimodal Understanding and Generation
von: Chen, Zisheng, et al.
Veröffentlicht: (2025)

UP-VLA: A Unified Understanding and Prediction Model for Embodied Agent
von: Zhang, Jianke, et al.
Veröffentlicht: (2025)

Revisiting Visual Understanding in Multimodal Reasoning through a Lens of Image Perturbation
von: Li, Yuting, et al.
Veröffentlicht: (2025)

RestoreAgent: Autonomous Image Restoration Agent via Multimodal Large Language Models
von: Chen, Haoyu, et al.
Veröffentlicht: (2024)

Beyond Task-Specific Reasoning: A Unified Conditional Generative Framework for Abstract Visual Reasoning
von: Shi, Fan, et al.
Veröffentlicht: (2025)

SegDINO: An Efficient Design for Medical and Natural Image Segmentation with DINO-V3
von: Yang, Sicheng, et al.
Veröffentlicht: (2025)

SSR3D-LLM: Structured Spatial Reasoning via Latent Steps for Fine-Grained Grounding in Unified 3D-LLMs
von: Li, Jiawei, et al.
Veröffentlicht: (2026)

Video-As-Prompt: Unified Semantic Control for Video Generation
von: Bian, Yuxuan, et al.
Veröffentlicht: (2025)

Compress3D: a Compressed Latent Space for 3D Generation from a Single Image
von: Zhang, Bowen, et al.
Veröffentlicht: (2024)

LDEdit: Towards Generalized Text Guided Image Manipulation via Latent Diffusion Models
von: Chandramouli, Paramanand, et al.
Veröffentlicht: (2022)

GThinker: Towards General Multimodal Reasoning via Cue-Guided Rethinking
von: Zhan, Yufei, et al.
Veröffentlicht: (2025)

Generative Medical Image Anonymization Based on Latent Code Projection and Optimization
von: Li, Huiyu, et al.
Veröffentlicht: (2025)

X-UniMotion: Animating Human Images with Expressive, Unified and Identity-Agnostic Motion Latents
von: Song, Guoxian, et al.
Veröffentlicht: (2025)