Baton: Explicit Semantic Blueprints for Joint Video-Audio Generation
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Tu, Shuyuan, Tian, Qi, Yang, Zihan, Wu, Yue, Han, Xintong, Kong, Weijie, Xiong, Jiangfeng, Zhang, Jian-Wei, Zhong, Zhao, Bo, Liefeng, Wu, Zuxuan, Jiang, Yu-Gang |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
StableAvatar: Infinite-Length Audio-Driven Avatar Video Generation
par: Tu, Shuyuan, et autres
Publié: (2025)
par: Tu, Shuyuan, et autres
Publié: (2025)
Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models
par: Zou, Jade, et autres
Publié: (2026)
par: Zou, Jade, et autres
Publié: (2026)
ArcFlow: Unleashing 2-Step Text-to-Image Generation via High-Precision Non-Linear Flow Distillation
par: Yang, Zihan, et autres
Publié: (2026)
par: Yang, Zihan, et autres
Publié: (2026)
MotionFollower: Editing Video Motion via Lightweight Score-Guided Diffusion
par: Tu, Shuyuan, et autres
Publié: (2024)
par: Tu, Shuyuan, et autres
Publié: (2024)
OmniWeaving: Towards Unified Video Generation with Free-form Composition and Reasoning
par: Pan, Kaihang, et autres
Publié: (2026)
par: Pan, Kaihang, et autres
Publié: (2026)
EMO: Emote Portrait Alive -- Generating Expressive Portrait Videos with Audio2Video Diffusion Model under Weak Conditions
par: Tian, Linrui, et autres
Publié: (2024)
par: Tian, Linrui, et autres
Publié: (2024)
StableAnimator: High-Quality Identity-Preserving Human Image Animation
par: Tu, Shuyuan, et autres
Publié: (2024)
par: Tu, Shuyuan, et autres
Publié: (2024)
StableAnimator++: Overcoming Pose Misalignment and Face Distortion for Human Image Animation
par: Tu, Shuyuan, et autres
Publié: (2025)
par: Tu, Shuyuan, et autres
Publié: (2025)
EMO2: End-Effector Guided Audio-Driven Avatar Video Generation
par: Tian, Linrui, et autres
Publié: (2025)
par: Tian, Linrui, et autres
Publié: (2025)
VideoLoom: A Video Large Language Model for Joint Spatial-Temporal Understanding
par: Shi, Jiapeng, et autres
Publié: (2026)
par: Shi, Jiapeng, et autres
Publié: (2026)
Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation
par: Chen, Haoran, et autres
Publié: (2022)
par: Chen, Haoran, et autres
Publié: (2022)
FlashPortrait: 6x Faster Infinite Portrait Animation with Adaptive Latent Prediction
par: Tu, Shuyuan, et autres
Publié: (2025)
par: Tu, Shuyuan, et autres
Publié: (2025)
Manifold-Aware Exploration for Reinforcement Learning in Video Generation
par: Zheng, Mingzhe, et autres
Publié: (2026)
par: Zheng, Mingzhe, et autres
Publié: (2026)
OmniTokenizer: A Joint Image-Video Tokenizer for Visual Generation
par: Wang, Junke, et autres
Publié: (2024)
par: Wang, Junke, et autres
Publié: (2024)
AID: Adapting Image2Video Diffusion Models for Instruction-guided Video Prediction
par: Xing, Zhen, et autres
Publié: (2024)
par: Xing, Zhen, et autres
Publié: (2024)
Preference Score Distillation: Leveraging 2D Rewards to Align Text-to-3D Generation with Human Preference
par: Leng, Jiaqi, et autres
Publié: (2026)
par: Leng, Jiaqi, et autres
Publié: (2026)
Daily-Omni: Towards Audio-Visual Reasoning with Temporal Alignment across Modalities
par: Zhou, Ziwei, et autres
Publié: (2025)
par: Zhou, Ziwei, et autres
Publié: (2025)
PromptFusion: Decoupling Stability and Plasticity for Continual Learning
par: Chen, Haoran, et autres
Publié: (2023)
par: Chen, Haoran, et autres
Publié: (2023)
Passing the Baton
par: John Fraser
Publié: (2024)
par: John Fraser
Publié: (2024)
Downstream Transfer Attack: Adversarial Attacks on Downstream Models with Pre-trained Vision Transformers
par: Zheng, Weijie, et autres
Publié: (2024)
par: Zheng, Weijie, et autres
Publié: (2024)
Synchronized Video-to-Audio Generation via Mel Quantization-Continuum Decomposition
par: Wang, Juncheng, et autres
Publié: (2025)
par: Wang, Juncheng, et autres
Publié: (2025)
ViSAudio: End-to-End Video-Driven Binaural Spatial Audio Generation
par: Zhang, Mengchen, et autres
Publié: (2025)
par: Zhang, Mengchen, et autres
Publié: (2025)
Evaluate Geometry of Radiance Fields with Low-frequency Color Prior
par: Fang, Qihang, et autres
Publié: (2023)
par: Fang, Qihang, et autres
Publié: (2023)
OmniTalker: One-shot Real-time Text-Driven Talking Audio-Video Generation With Multimodal Style Mimicking
par: Wang, Zhongjian, et autres
Publié: (2025)
par: Wang, Zhongjian, et autres
Publié: (2025)
Controllable and Expressive One-Shot Video Head Swapping
par: Ji, Chaonan, et autres
Publié: (2025)
par: Ji, Chaonan, et autres
Publié: (2025)
SemanticAudio: Audio Generation and Editing in Semantic Space
par: Dai, Zheqi, et autres
Publié: (2026)
par: Dai, Zheqi, et autres
Publié: (2026)
CoGenAV: Versatile Audio-Visual Representation Learning via Contrastive-Generative Synchronization
par: Bai, Detao, et autres
Publié: (2025)
par: Bai, Detao, et autres
Publié: (2025)
Does Hearing Help Seeing? Investigating Audio-Video Joint Denoising for Video Generation
par: Wu, Jianzong, et autres
Publié: (2025)
par: Wu, Jianzong, et autres
Publié: (2025)
REDUCIO! Generating 1K Video within 16 Seconds using Extremely Compressed Motion Latents
par: Tian, Rui, et autres
Publié: (2024)
par: Tian, Rui, et autres
Publié: (2024)
GenRec: Unifying Video Generation and Recognition with Diffusion Models
par: Weng, Zejia, et autres
Publié: (2024)
par: Weng, Zejia, et autres
Publié: (2024)
OmniVid: A Generative Framework for Universal Video Understanding
par: Wang, Junke, et autres
Publié: (2024)
par: Wang, Junke, et autres
Publié: (2024)
Pix2Cap-COCO: Advancing Visual Comprehension via Pixel-Level Captioning
par: You, Zuyao, et autres
Publié: (2025)
par: You, Zuyao, et autres
Publié: (2025)
Learning Accurate Segmentation Purely from Self-Supervision
par: You, Zuyao, et autres
Publié: (2026)
par: You, Zuyao, et autres
Publié: (2026)
Explicit sharp bounds for all nodes of Sturm-Liouville operators with potentials in $L^1$ balls
par: Chu, Jifeng, et autres
Publié: (2025)
par: Chu, Jifeng, et autres
Publié: (2025)
SemTalk: Holistic Co-speech Motion Generation with Frame-level Semantic Emphasis
par: Zhang, Xiangyue, et autres
Publié: (2024)
par: Zhang, Xiangyue, et autres
Publié: (2024)
Towards Fine-grained Interactive Segmentation in Images and Videos
par: Yao, Yuan, et autres
Publié: (2025)
par: Yao, Yuan, et autres
Publié: (2025)
DiffuEraser: A Diffusion Model for Video Inpainting
par: Li, Xiaowen, et autres
Publié: (2025)
par: Li, Xiaowen, et autres
Publié: (2025)
A Survey on Video Diffusion Models
par: Xing, Zhen, et autres
Publié: (2023)
par: Xing, Zhen, et autres
Publié: (2023)
Achieving More with Less: Additive Prompt Tuning for Rehearsal-Free Class-Incremental Learning
par: Chen, Haoran, et autres
Publié: (2025)
par: Chen, Haoran, et autres
Publié: (2025)
MIMO: Controllable Character Video Synthesis with Spatial Decomposed Modeling
par: Men, Yifang, et autres
Publié: (2024)
par: Men, Yifang, et autres
Publié: (2024)
Documents similaires
-
StableAvatar: Infinite-Length Audio-Driven Avatar Video Generation
par: Tu, Shuyuan, et autres
Publié: (2025) -
Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models
par: Zou, Jade, et autres
Publié: (2026) -
ArcFlow: Unleashing 2-Step Text-to-Image Generation via High-Precision Non-Linear Flow Distillation
par: Yang, Zihan, et autres
Publié: (2026) -
MotionFollower: Editing Video Motion via Lightweight Score-Guided Diffusion
par: Tu, Shuyuan, et autres
Publié: (2024) -
OmniWeaving: Towards Unified Video Generation with Free-form Composition and Reasoning
par: Pan, Kaihang, et autres
Publié: (2026)