Buchumschlag

Masked Diffusion Vision-Language Models for Temporal Action Localization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Fengshun, Zhang, Zhengbo, Tu, Zhigang
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

FMI-TAL: Few-shot Multiple Instances Temporal Action Localization by Probability Distribution Learning and Interval Cluster Refinement
von: Wang, Fengshun, et al.
Veröffentlicht: (2024)

UAV-OVO: Out-of-Viewpoint Generalization in UAV Action Recognition
von: Xia, Yu, et al.
Veröffentlicht: (2026)

Frequency-Enhanced Diffusion Models: Curriculum-Guided Semantic Alignment for Zero-Shot Skeleton Action Recognition
von: Zhou, Yuxi, et al.
Veröffentlicht: (2026)

Informative Sample Selection Model for Skeleton-based Action Recognition with Limited Training Samples
von: Tu, Zhigang, et al.
Veröffentlicht: (2025)

Leveraging Text-to-Image Diffusion Models for Unsupervised Visual Object Tracking
von: Zhang, Zhengbo, et al.
Veröffentlicht: (2026)

Learning Long-Range Action Representation by Two-Stream Mamba Pyramid Network for Figure Skating Assessment
von: Wang, Fengshun, et al.
Veröffentlicht: (2025)

Towards Mitigating Modality Bias in Vision-Language Models for Temporal Action Localization
von: Li, Jiaqi, et al.
Veröffentlicht: (2026)

Efficient and Explainable End-to-End Autonomous Driving via Masked Vision-Language-Action Diffusion
von: Zhang, Jiaru, et al.
Veröffentlicht: (2026)

Are Large Pre-trained Vision Language Models Effective Construction Safety Inspectors?
von: Chen, Xuezheng, et al.
Veröffentlicht: (2025)

Probabilistic Vision-Language Representation for Weakly Supervised Temporal Action Localization
von: Lim, Geuntaek, et al.
Veröffentlicht: (2024)

Training-Free Zero-Shot Temporal Action Detection with Vision-Language Models
von: Han, Chaolei, et al.
Veröffentlicht: (2025)

Adaptive Prototype Model for Attribute-based Multi-label Few-shot Action Recognition
von: Xiao, Juefeng, et al.
Veröffentlicht: (2025)

FADE: A Dataset for Detecting Falling Objects around Buildings in Video
von: Tu, Zhigang, et al.
Veröffentlicht: (2024)

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

Expressive Keypoints for Skeleton-based Action Recognition via Skeleton Transformation
von: Yang, Yijie, et al.
Veröffentlicht: (2024)

EchoMask: Speech-Queried Attention-based Mask Modeling for Holistic Co-Speech Motion Generation
von: Zhang, Xiangyue, et al.
Veröffentlicht: (2025)

Zero-shot Action Localization via the Confidence of Large Vision-Language Models
von: Aklilu, Josiah, et al.
Veröffentlicht: (2024)

Unified Vision-Language-Action Model
von: Wang, Yuqi, et al.
Veröffentlicht: (2025)

LLaDA-VLA: Vision Language Diffusion Action Models
von: Wen, Yuqing, et al.
Veröffentlicht: (2025)

OwlSight: A Robust Illumination Adaptation Framework for Dark Video Human Action Recognition
von: Cheng, Shihao, et al.
Veröffentlicht: (2025)

Masked Temporal Interpolation Diffusion for Procedure Planning in Instructional Videos
von: Zhou, Yufan, et al.
Veröffentlicht: (2025)

HiST-VLA: A Hierarchical Spatio-Temporal Vision-Language-Action Model for End-to-End Autonomous Driving
von: Wang, Yiru, et al.
Veröffentlicht: (2026)

InstaInpaint: Instant 3D-Scene Inpainting with Masked Large Reconstruction Model
von: You, Junqi, et al.
Veröffentlicht: (2025)

Towards Compatible Fine-tuning for Vision-Language Model Updates
von: Wang, Zhengbo, et al.
Veröffentlicht: (2024)

dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought
von: Wen, Junjie, et al.
Veröffentlicht: (2025)

Visual-Advantage On-Policy Distillation for Vision-Language Models
von: Liu, Ruiqi, et al.
Veröffentlicht: (2026)

Mitigating Mask Prior Drift and Positional Attention Collapse in Large Diffusion Vision-Language Models
von: Hong, Sujung, et al.
Veröffentlicht: (2026)

Dynamic Execution Commitment of Vision-Language-Action Models
von: Chen, Feng, et al.
Veröffentlicht: (2026)

Bridging Visual Representation and Reinforcement Learning from Verifiable Rewards in Large Vision-Language Models
von: Han, Yuhang, et al.
Veröffentlicht: (2026)

Diff-Tracker: Text-to-Image Diffusion Models are Unsupervised Trackers
von: Zhang, Zhengbo, et al.
Veröffentlicht: (2024)

Dream-VL & Dream-VLA: Open Vision-Language and Vision-Language-Action Models with Diffusion Language Model Backbone
von: Ye, Jiacheng, et al.
Veröffentlicht: (2025)

Multi-scale 2D Temporal Map Diffusion Models for Natural Language Video Localization
von: Zhang, Chongzhi, et al.
Veröffentlicht: (2024)

Egocentric Action-aware Inertial Localization in Point Clouds with Vision-Language Guidance
von: Zhang, Mingfang, et al.
Veröffentlicht: (2025)

Understanding Degradation with Vision Language Model
von: Lan, Guanzhou, et al.
Veröffentlicht: (2026)

Probabilistic Temporal Masked Attention for Cross-view Online Action Detection
von: Xie, Liping, et al.
Veröffentlicht: (2025)

Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model
von: Won, John, et al.
Veröffentlicht: (2025)

FreezeVLA: Action-Freezing Attacks against Vision-Language-Action Models
von: Wang, Xin, et al.
Veröffentlicht: (2025)

Weakly Supervised Temporal Action Localization via Dual-Prior Collaborative Learning Guided by Multimodal Large Language Models
von: Zhang, Quan, et al.
Veröffentlicht: (2024)

Frequency-Controlled Diffusion Model for Versatile Text-Guided Image-to-Image Translation
von: Gao, Xiang, et al.
Veröffentlicht: (2024)

Unified Diffusion VLA: Vision-Language-Action Model via Joint Discrete Denoising Diffusion Process
von: Chen, Jiayi, et al.
Veröffentlicht: (2025)