Buchumschlag

mBLIP: Efficient Bootstrapping of Multilingual Vision-LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Geigle, Gregor, Jain, Abhay, Timofte, Radu, Glavaš, Goran
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Babel-ImageNet: Massively Multilingual Evaluation of Vision-and-Language Representations
von: Geigle, Gregor, et al.
Veröffentlicht: (2023)

Does Object Grounding Really Reduce Hallucination of Large Vision-Language Models?
von: Geigle, Gregor, et al.
Veröffentlicht: (2024)

African or European Swallow? Benchmarking Large Vision-Language Models for Fine-Grained Object Classification
von: Geigle, Gregor, et al.
Veröffentlicht: (2024)

Centurio: On Drivers of Multilingual Ability of Large Vision-Language Model
von: Geigle, Gregor, et al.
Veröffentlicht: (2025)

InstructIR: High-Quality Image Restoration Following Human Instructions
von: Conde, Marcos V., et al.
Veröffentlicht: (2024)

X-InstructBLIP: A Framework for aligning X-Modal instruction-aware representations to LLMs and Emergent Cross-modal Reasoning
von: Panagopoulou, Artemis, et al.
Veröffentlicht: (2023)

VIST-GPT: Ushering in the Era of Visual Storytelling with LLMs?
von: Gado, Mohamed, et al.
Veröffentlicht: (2025)

LLM as a Neural Architect: Controlled Generation of Image Captioning Models Under Strict API Contracts
von: Jesani, Krunal, et al.
Veröffentlicht: (2025)

e5-omni: Explicit Cross-modal Alignment for Omni-modal Embeddings
von: Chen, Haonan, et al.
Veröffentlicht: (2026)

Closed-Loop LLM Discovery of Non-Standard Channel Priors in Vision Models
von: Uzun, Tolgay Atinc, et al.
Veröffentlicht: (2026)

xGen-MM (BLIP-3): A Family of Open Large Multimodal Models
von: Xue, Le, et al.
Veröffentlicht: (2024)

Practical Manipulation Model for Robust Deepfake Detection
von: Hopf, Benedikt, et al.
Veröffentlicht: (2025)

Constructing Multilingual Visual-Text Datasets Revealing Visual Multilingual Ability of Vision Language Models
von: Atuhurra, Jesse, et al.
Veröffentlicht: (2024)

ViCA: Efficient Multimodal LLMs with Vision-Only Cross-Attention
von: Liu, Wenjie, et al.
Veröffentlicht: (2026)

Kaleidoscope: In-language Exams for Massively Multilingual Vision Evaluation
von: Salazar, Israfel, et al.
Veröffentlicht: (2025)

Rethinking Multilingual Vision-Language Translation: Dataset, Evaluation, and Adaptation
von: Wang, Xintong, et al.
Veröffentlicht: (2025)

Behind Maya: Building a Multilingual Vision Language Model
von: Alam, Nahid, et al.
Veröffentlicht: (2025)

From Brute Force to Semantic Insight: Performance-Guided Data Transformation Design with LLMs
von: Shrestha, Usha, et al.
Veröffentlicht: (2026)

From Code to Prediction: Fine-Tuning LLMs for Neural Network Performance Classification in NNGPT
von: Hanouneh, Mahmoud, et al.
Veröffentlicht: (2026)

mOSCAR: A Large-scale Multilingual and Multimodal Document-level Corpus
von: Futeral, Matthieu, et al.
Veröffentlicht: (2024)

Accurate and Efficient World Modeling with Masked Latent Transformers
von: Burchi, Maxime, et al.
Veröffentlicht: (2025)

Bootstrapping Referring Multi-Object Tracking
von: Zhang, Yani, et al.
Veröffentlicht: (2024)

LAFR: Efficient Diffusion-based Blind Face Restoration via Latent Codebook Alignment Adapter
von: Li, Runyi, et al.
Veröffentlicht: (2025)

Bootstrapping Action-Grounded Visual Dynamics in Unified Vision-Language Models
von: Qiu, Yifu, et al.
Veröffentlicht: (2025)

Efficient Perceptual Image Super Resolution: AIM 2025 Study and Benchmark
von: Longarela, Bruno, et al.
Veröffentlicht: (2025)

Cat: Post-Training Quantization Error Reduction via Cluster-based Affine Transformation
von: Zoljodi, Ali, et al.
Veröffentlicht: (2025)

The Return of Structural Handwritten Mathematical Expression Recognition
von: Seitz, Jakob, et al.
Veröffentlicht: (2025)

AugmentGest: Can Random Data Cropping Augmentation Boost Gesture Recognition Performance?
von: Aboudeshish, Nada, et al.
Veröffentlicht: (2025)

The Regularizing Power of Language-Training Deepfake Detectors
von: Hopf, Benedikt, et al.
Veröffentlicht: (2026)

Aya Vision: Advancing the Frontier of Multilingual Multimodality
von: Dash, Saurabh, et al.
Veröffentlicht: (2025)

EXAMS-V: A Multi-Discipline Multilingual Multimodal Exam Benchmark for Evaluating Vision Language Models
von: Das, Rocktim Jyoti, et al.
Veröffentlicht: (2024)

MuDreamer: Learning Predictive World Models without Reconstruction
von: Burchi, Maxime, et al.
Veröffentlicht: (2024)

Learned Lightweight Smartphone ISP with Unpaired Data
von: Arhire, Andrei, et al.
Veröffentlicht: (2025)

Strengthening Multimodal Large Language Model with Bootstrapped Preference Optimization
von: Pi, Renjie, et al.
Veröffentlicht: (2024)

HemBLIP: A Vision-Language Model for Interpretable Leukemia Cell Morphology Analysis
von: van Logtestijn, Julie, et al.
Veröffentlicht: (2026)

Mitigating Multilingual Hallucination in Large Vision-Language Models
von: Qu, Xiaoye, et al.
Veröffentlicht: (2024)

PM4Bench: Benchmarking Large Vision-Language Models with Parallel Multilingual Multi-Modal Multi-task Corpus
von: Gao, Junyuan, et al.
Veröffentlicht: (2025)

Shotluck Holmes: A Family of Efficient Small-Scale Large Language Vision Models For Video Captioning and Summarization
von: Luo, Richard, et al.
Veröffentlicht: (2024)

TT-BLIP: Enhancing Fake News Detection Using BLIP and Tri-Transformer
von: Choi, Eunjee, et al.
Veröffentlicht: (2024)

Insight Over Sight: Exploring the Vision-Knowledge Conflicts in Multimodal LLMs
von: Liu, Xiaoyuan, et al.
Veröffentlicht: (2024)