Buchumschlag

Why Latent Actions Fail, and How to Prevent It

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lee, Jung Min, Cho, Taehyun, Zhao, Li, Lee, Jungwoo
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

Domain-Aware Fine-Tuning: Enhancing Neural Network Adaptability
von: Ha, Seokhyeon, et al.
Veröffentlicht: (2023)

MSG-Loc: Multi-Label Likelihood-based Semantic Graph Matching for Object-Level Global Localization
von: Lee, Gihyeon, et al.
Veröffentlicht: (2025)

Video Summarization with Large Language Models
von: Lee, Min Jung, et al.
Veröffentlicht: (2025)

Why and When Visual Token Pruning Fails? A Study on Relevant Visual Information Shift in MLLMs Decoding
von: Kim, Jiwan, et al.
Veröffentlicht: (2026)

Constructing Fair Latent Space for Intersection of Fairness and Explainability
von: Joo, Hyungjun, et al.
Veröffentlicht: (2024)

Burst Image Super-Resolution with Base Frame Selection
von: Kim, Sanghyun, et al.
Veröffentlicht: (2024)

Prediction-Feedback DETR for Temporal Action Detection
von: Kim, Jihwan, et al.
Veröffentlicht: (2024)

PhaseMark: A Post-hoc, Optimization-Free Watermarking of AI-generated Images in the Latent Frequency Domain
von: Lee, Sung Ju, et al.
Veröffentlicht: (2026)

RoAD Benchmark: How LiDAR Models Fail under Coupled Domain Shifts and Label Evolution
von: Lee, Subeen, et al.
Veröffentlicht: (2026)

Why Instruction-Based Unlearning Fails in Diffusion Models?
von: Zhang, Zeliang, et al.
Veröffentlicht: (2026)

Targetless LiDAR-Camera Calibration with Neural Gaussian Splatting
von: Jung, Haebeom, et al.
Veröffentlicht: (2025)

FreeAction: Training-Free Techniques for Enhanced Fidelity of Trajectory-to-Video Generation
von: Kim, Seungwook, et al.
Veröffentlicht: (2025)

Classification Matters: Improving Video Action Detection with Class-Specific Attention
von: Lee, Jinsung, et al.
Veröffentlicht: (2024)

Vision-aligned Latent Reasoning for Multi-modal Large Language Model
von: Jeon, Byungwoo, et al.
Veröffentlicht: (2026)

Why Far Looks Up: Probing Spatial Representation in Vision-Language Models
von: Min, Cheolhong, et al.
Veröffentlicht: (2026)

Mosaic: Compositional Multi-Concept Erasure via Vector Field Blending
von: Ko, Junseok, et al.
Veröffentlicht: (2026)

Generative Giants, Retrieval Weaklings: Why do Multimodal Large Language Models Fail at Multimodal Retrieval?
von: Feng, Hengyi, et al.
Veröffentlicht: (2025)

Adjusting Initial Noise to Mitigate Memorization in Text-to-Image Diffusion Models
von: Han, Hyeonggeun, et al.
Veröffentlicht: (2025)

DiGIT: Multi-Dilated Gated Encoder and Central-Adjacent Region Integrated Decoder for Temporal Action Detection Transformer
von: Kim, Ho-Joong, et al.
Veröffentlicht: (2025)

Learning Human-Object Interaction for 3D Human Pose Estimation from LiDAR Point Clouds
von: Jung, Daniel Sungho, et al.
Veröffentlicht: (2026)

Robust Dreamer: Deviation-Aware Latent Gaussian Memory for Action-Controlled AR Video Generation
von: Chen, Hanlin, et al.
Veröffentlicht: (2026)

Semantic Image Synthesis with Unconditional Generator
von: Chae, Jungwoo, et al.
Veröffentlicht: (2024)

PiLaMIM: Toward Richer Visual Representations by Integrating Pixel and Latent Masked Image Modeling
von: Lee, Junmyeong, et al.
Veröffentlicht: (2025)

Latent Diffusion Models with Masked AutoEncoders
von: Lee, Junho, et al.
Veröffentlicht: (2025)

Latent Inversion with Timestep-aware Sampling for Training-free Non-rigid Editing
von: Jung, Yunji, et al.
Veröffentlicht: (2024)

Better Eyes, Better Thoughts: Why Vision Chain-of-Thought Fails in Medicine
von: Wu, Yuan, et al.
Veröffentlicht: (2026)

CAST: Cross-Attention in Space and Time for Video Action Recognition
von: Lee, Dongho, et al.
Veröffentlicht: (2023)

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

From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models
von: Lin, Yihan, et al.
Veröffentlicht: (2026)

Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving
von: Wang, Linbo, et al.
Veröffentlicht: (2026)

LAC: Latent Action Composition for Skeleton-based Action Segmentation
von: Yang, Di, et al.
Veröffentlicht: (2023)

Mix from Failure: Confusion-Pairing Mixup for Long-Tailed Recognition
von: Yoon, Youngseok, et al.
Veröffentlicht: (2024)

Multi-view Pyramid Transformer: Look Coarser to See Broader
von: Kang, Gyeongjin, et al.
Veröffentlicht: (2025)

Text Embedding Knows How to Quantize Text-Guided Diffusion Models
von: Lee, Hongjae, et al.
Veröffentlicht: (2025)

Transforming Static Images Using Generative Models for Video Salient Object Detection
von: Cho, Suhwan, et al.
Veröffentlicht: (2024)

FLUID: Training-Free Face De-identification via Latent Identity Substitution
von: Park, Jinhyeong, et al.
Veröffentlicht: (2025)

Tsanet: Temporal and Scale Alignment for Unsupervised Video Object Segmentation
von: Lee, Seunghoon, et al.
Veröffentlicht: (2023)

Find First, Track Next: Decoupling Identification and Propagation in Referring Video Object Segmentation
von: Cho, Suhwan, et al.
Veröffentlicht: (2025)

ILV: Iterative Latent Volumes for Fast and Accurate Sparse-View CT Reconstruction
von: Lee, Seungryong, et al.
Veröffentlicht: (2026)

MORPHOS: Autoregressive 4D Generation with Temporal Structured Latents
von: Kwon, Minkyung, et al.
Veröffentlicht: (2026)