Copertina

Retrieval-Enhanced Contrastive Vision-Text Models

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Iscen, Ahmet, Caron, Mathilde, Fathi, Alireza, Schmid, Cordelia
Natura:	Preprint
Pubblicazione:	2023
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach
di: Caron, Mathilde, et al.
Pubblicazione: (2024)

A Generative Approach for Wikipedia-Scale Visual Entity Recognition
di: Caron, Mathilde, et al.
Pubblicazione: (2024)

Memory-Modular Classification: Learning to Generalize with Memory Replacement
di: Kang, Dahyun, et al.
Pubblicazione: (2025)

Continual Learning in Vision-Language Models via Aligned Model Merging
di: Sokar, Ghada, et al.
Pubblicazione: (2025)

SceneCraft: An LLM Agent for Synthesizing 3D Scene as Blender Code
di: Hu, Ziniu, et al.
Pubblicazione: (2024)

CAViAR: Critic-Augmented Video Agentic Reasoning
di: Menon, Sachit, et al.
Pubblicazione: (2025)

Temporal Chain of Thought: Long-Video Understanding by Thinking in Frames
di: Arnab, Anurag, et al.
Pubblicazione: (2025)

VOLD: Reasoning Transfer from LLMs to Vision-Language Models via On-Policy Distillation
di: Bousselham, Walid, et al.
Pubblicazione: (2025)

FirePlace: Geometric Refinements of LLM Common Sense Reasoning for 3D Object Placement
di: Huang, Ian, et al.
Pubblicazione: (2025)

AMES: Asymmetric and Memory-Efficient Similarity Estimation for Instance-level Retrieval
di: Suma, Pavel, et al.
Pubblicazione: (2024)

ComposeAnything: Composite Object Priors for Text-to-Image Generation
di: Khan, Zeeshan, et al.
Pubblicazione: (2025)

PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction
di: Chen, Shizhe, et al.
Pubblicazione: (2026)

Visual Lexicon: Rich Image Features in Language Space
di: Wang, XuDong, et al.
Pubblicazione: (2024)

VoCap: Video Object Captioning and Segmentation from Any Prompt
di: Uijlings, Jasper, et al.
Pubblicazione: (2025)

CoVR-2: Automatic Data Construction for Composed Video Retrieval
di: Ventura, Lucas, et al.
Pubblicazione: (2023)

Towards Generalizable Vision-Language Robotic Manipulation: A Benchmark and LLM-guided 3D Policy
di: Garcia, Ricardo, et al.
Pubblicazione: (2024)

Learning Correlation Structures for Vision Transformers
di: Kim, Manjin, et al.
Pubblicazione: (2024)

BrickNet: Graph-Backed Generative Brick Assembly
di: Kulits, Peter, et al.
Pubblicazione: (2026)

Scaling Cross-Environment Failure Reasoning Data for Vision-Language Robotic Manipulation
di: Pacaud, Paul, et al.
Pubblicazione: (2025)

Learning text-to-video retrieval from image captioning
di: Ventura, Lucas, et al.
Pubblicazione: (2024)

Grounded Video Caption Generation
di: Kazakos, Evangelos, et al.
Pubblicazione: (2024)

Large-scale Pre-training for Grounded Video Caption Generation
di: Kazakos, Evangelos, et al.
Pubblicazione: (2025)

OVFact: Measuring and Improving Open-Vocabulary Factuality for Long Caption Models
di: Wysoczańska, Monika, et al.
Pubblicazione: (2025)

Language-Guided Image Tokenization for Generation
di: Zha, Kaiwen, et al.
Pubblicazione: (2024)

RECODE: Reasoning Through Code Generation for Visual Question Answering
di: Shen, Junhong, et al.
Pubblicazione: (2025)

Dense Optical Tracking: Connecting the Dots
di: Moing, Guillaume Le, et al.
Pubblicazione: (2023)

Gondola: Grounded Vision Language Planning for Generalizable Robotic Manipulation
di: Chen, Shizhe, et al.
Pubblicazione: (2025)

MINERVA: Evaluating Complex Video Reasoning
di: Nagrani, Arsha, et al.
Pubblicazione: (2025)

Dense Video Object Captioning from Disjoint Supervision
di: Zhou, Xingyi, et al.
Pubblicazione: (2023)

SUGAR: Pre-training 3D Visual Representations for Robotics
di: Chen, Shizhe, et al.
Pubblicazione: (2024)

Chapter-Llama: Efficient Chaptering in Hour-Long Videos with LLMs
di: Ventura, Lucas, et al.
Pubblicazione: (2025)

HORT: Monocular Hand-held Objects Reconstruction with Transformers
di: Chen, Zerui, et al.
Pubblicazione: (2025)

LoFT: LoRA-fused Training Dataset Generation with Few-shot Guidance
di: Kim, Jae Myung, et al.
Pubblicazione: (2025)

Online 3D Scene Reconstruction Using Neural Object Priors
di: Chabal, Thomas, et al.
Pubblicazione: (2025)

FOM-Nav: Frontier-Object Maps for Object Goal Navigation
di: Chabal, Thomas, et al.
Pubblicazione: (2025)

ViViDex: Learning Vision-based Dexterous Manipulation from Human Videos
di: Chen, Zerui, et al.
Pubblicazione: (2024)

CaptionFormer: Unified Segmentation, Tracking, and Captioning for Spatio-Temporal Objects
di: Fiastre, Gabriel, et al.
Pubblicazione: (2025)

RAVEN: Rethinking Adversarial Video Generation with Efficient Tri-plane Networks
di: Ghosh, Partha, et al.
Pubblicazione: (2024)

What Are You Doing? A Closer Look at Controllable Human Video Generation
di: Bugliarello, Emanuele, et al.
Pubblicazione: (2025)

Evaluating Robustness of Vision-Language Models Under Noisy Conditions
di: Purushoth, et al.
Pubblicazione: (2025)