Buchumschlag

BT-Adapter: Video Conversation is Feasible Without Video Instruction Tuning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Ruyang, Li, Chen, Ge, Yixiao, Shan, Ying, Li, Thomas H., Li, Ge
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ST-LLM: Large Language Models Are Effective Temporal Learners
von: Liu, Ruyang, et al.
Veröffentlicht: (2024)

Divot: Diffusion Powers Video Tokenizer for Comprehension and Generation
von: Ge, Yuying, et al.
Veröffentlicht: (2024)

RAP: Efficient Text-Video Retrieval with Sparse-and-Correlated Adapter
von: Cao, Meng, et al.
Veröffentlicht: (2024)

DiCoDe: Diffusion-Compressed Deep Tokens for Autoregressive Video Generation with Language Models
von: Li, Yizhuo, et al.
Veröffentlicht: (2024)

ARC-Chapter: Structuring Hour-Long Videos into Navigable Chapters and Hierarchical Summaries
von: Pu, Junfu, et al.
Veröffentlicht: (2025)

SEED-Data-Edit Technical Report: A Hybrid Dataset for Instructional Image Editing
von: Ge, Yuying, et al.
Veröffentlicht: (2024)

AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation
von: Qiu, Lu, et al.
Veröffentlicht: (2025)

PPLLaVA: Varied Video Sequence Understanding With Prompt Guidance
von: Sun, Shangkun, et al.
Veröffentlicht: (2024)

Video-Holmes: Can MLLM Think Like Holmes for Complex Video Reasoning?
von: Cheng, Junhao, et al.
Veröffentlicht: (2025)

Flow4Agent: Long-form Video Understanding via Motion Prior from Optical Flow
von: Liu, Ruyang, et al.
Veröffentlicht: (2025)

Video Spatial Reasoning with Object-Centric 3D Rollout
von: Tang, Haoran, et al.
Veröffentlicht: (2025)

TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs
von: Zhang, Jun, et al.
Veröffentlicht: (2025)

SEED-Bench-2-Plus: Benchmarking Multimodal Large Language Models with Text-Rich Visual Comprehension
von: Li, Bohao, et al.
Veröffentlicht: (2024)

Meta-Adapter: An Online Few-shot Learner for Vision-Language Model
von: Cheng, Cheng, et al.
Veröffentlicht: (2023)

LLaVA-Video: Video Instruction Tuning With Synthetic Data
von: Zhang, Yuanhan, et al.
Veröffentlicht: (2024)

Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos
von: Chen, Yi, et al.
Veröffentlicht: (2024)

Aligning Latent Spaces with Flow Priors
von: Li, Yizhuo, et al.
Veröffentlicht: (2025)

Exploring the Effect of Reinforcement Learning on Video Understanding: Insights from SEED-Bench-R1
von: Chen, Yi, et al.
Veröffentlicht: (2025)

SEED-Story: Multimodal Long Story Generation with Large Language Model
von: Yang, Shuai, et al.
Veröffentlicht: (2024)

ARC-Hunyuan-Video-7B: Structured Video Comprehension of Real-World Shorts
von: Ge, Yuying, et al.
Veröffentlicht: (2025)

Generalizing Deepfake Video Detection with Plug-and-Play: Video-Level Blending and Spatiotemporal Adapter Tuning
von: Yan, Zhiyuan, et al.
Veröffentlicht: (2024)

AnimeGamer: Infinite Anime Life Simulation with Next Game State Prediction
von: Cheng, Junhao, et al.
Veröffentlicht: (2025)

DenseStep2M: A Scalable, Training-Free Pipeline for Dense Instructional Video Annotation
von: Ge, Mingji, et al.
Veröffentlicht: (2026)

Streaming Video Instruction Tuning
von: Xia, Jiaer, et al.
Veröffentlicht: (2025)

HaploOmni: Unified Single Transformer for Multimodal Video Understanding and Generation
von: Xiao, Yicheng, et al.
Veröffentlicht: (2025)

EgoPlan-Bench2: A Benchmark for Multimodal Large Language Model Planning in Real-World Scenarios
von: Qiu, Lu, et al.
Veröffentlicht: (2024)

PhysGame: Uncovering Physical Commonsense Violations in Gameplay Videos
von: Cao, Meng, et al.
Veröffentlicht: (2024)

GenHancer: Imperfect Generative Models are Secretly Strong Vision-Centric Enhancers
von: Ma, Shijie, et al.
Veröffentlicht: (2025)

Hyperspectral Adapter for Object Tracking based on Hyperspectral Video
von: Gao, Long, et al.
Veröffentlicht: (2025)

SEED-X: Multimodal Models with Unified Multi-granularity Comprehension and Generation
von: Ge, Yuying, et al.
Veröffentlicht: (2024)

Character Mixing for Video Generation
von: Liao, Tingting, et al.
Veröffentlicht: (2025)

Tuning-Free Noise Rectification for High Fidelity Image-to-Video Generation
von: Li, Weijie, et al.
Veröffentlicht: (2024)

VideoRouter: Query-Adaptive Dual Routing for Efficient Long-Video Understanding
von: Lin, Kuanwei, et al.
Veröffentlicht: (2026)

VideoExpert: Augmented LLM for Temporal-Sensitive Video Understanding
von: Zhao, Henghao, et al.
Veröffentlicht: (2025)

VideoCuRL: Video Curriculum Reinforcement Learning with Orthogonal Difficulty Decomposition
von: Jin, Hongbo, et al.
Veröffentlicht: (2025)

LLMs Meet Long Video: Advancing Long Video Question Answering with An Interactive Visual Adapter in LLMs
von: Li, Yunxin, et al.
Veröffentlicht: (2024)

Video Emotion Open-vocabulary Recognition Based on Multimodal Large Language Model
von: Ge, Mengying, et al.
Veröffentlicht: (2024)

StyleCrafter: Enhancing Stylized Text-to-Video Generation with Style Adapter
von: Liu, Gongye, et al.
Veröffentlicht: (2023)

EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning
von: Chen, Yi, et al.
Veröffentlicht: (2023)

YOLO-World: Real-Time Open-Vocabulary Object Detection
von: Cheng, Tianheng, et al.
Veröffentlicht: (2024)