CapsFusion: Rethinking Image-Text Data at Scale
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Yu, Qiying, Sun, Quan, Zhang, Xiaosong, Cui, Yufeng, Zhang, Fan, Cao, Yue, Wang, Xinlong, Liu, Jingjing |
|---|---|
| Format: | Preprint |
| Publié: |
2023
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
EVA-CLIP-18B: Scaling CLIP to 18 Billion Parameters
par: Sun, Quan, et autres
Publié: (2024)
par: Sun, Quan, et autres
Publié: (2024)
Emu: Generative Pretraining in Multimodality
par: Sun, Quan, et autres
Publié: (2023)
par: Sun, Quan, et autres
Publié: (2023)
Generative Multimodal Models are In-Context Learners
par: Sun, Quan, et autres
Publié: (2023)
par: Sun, Quan, et autres
Publié: (2023)
ScaleCap: Inference-Time Scalable Image Captioning via Dual-Modality Debiasing
par: Xing, Long, et autres
Publié: (2025)
par: Xing, Long, et autres
Publié: (2025)
EVA-02: A Visual Representation for Neon Genesis
par: Fang, Yuxin, et autres
Publié: (2023)
par: Fang, Yuxin, et autres
Publié: (2023)
CapArena: Benchmarking and Analyzing Detailed Image Captioning in the LLM Era
par: Cheng, Kanzhi, et autres
Publié: (2025)
par: Cheng, Kanzhi, et autres
Publié: (2025)
Scaling Text-Rich Image Understanding via Code-Guided Synthetic Multimodal Data Generation
par: Yang, Yue, et autres
Publié: (2025)
par: Yang, Yue, et autres
Publié: (2025)
VIFNet: An End-to-end Visible-Infrared Fusion Network for Image Dehazing
par: Yu, Meng, et autres
Publié: (2024)
par: Yu, Meng, et autres
Publié: (2024)
M$^{3}$T2IBench: A Large-Scale Multi-Category, Multi-Instance, Multi-Relation Text-to-Image Benchmark
par: Zhang, Huixuan, et autres
Publié: (2025)
par: Zhang, Huixuan, et autres
Publié: (2025)
Image Over Text: Transforming Formula Recognition Evaluation with Character Detection Matching
par: Wang, Bin, et autres
Publié: (2024)
par: Wang, Bin, et autres
Publié: (2024)
LLaVAR: Enhanced Visual Instruction Tuning for Text-Rich Image Understanding
par: Zhang, Yanzhe, et autres
Publié: (2023)
par: Zhang, Yanzhe, et autres
Publié: (2023)
Leopard: A Vision Language Model For Text-Rich Multi-Image Tasks
par: Jia, Mengzhao, et autres
Publié: (2024)
par: Jia, Mengzhao, et autres
Publié: (2024)
VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models
par: Zhang, Ce, et autres
Publié: (2025)
par: Zhang, Ce, et autres
Publié: (2025)
Finetuned Multimodal Language Models Are High-Quality Image-Text Data Filters
par: Wang, Weizhi, et autres
Publié: (2024)
par: Wang, Weizhi, et autres
Publié: (2024)
CapRL: Stimulating Dense Image Caption Capabilities via Reinforcement Learning
par: Xing, Long, et autres
Publié: (2025)
par: Xing, Long, et autres
Publié: (2025)
Towards Text-Image Interleaved Retrieval
par: Zhang, Xin, et autres
Publié: (2025)
par: Zhang, Xin, et autres
Publié: (2025)
InternLM-XComposer2: Mastering Free-form Text-Image Composition and Comprehension in Vision-Language Large Model
par: Dong, Xiaoyi, et autres
Publié: (2024)
par: Dong, Xiaoyi, et autres
Publié: (2024)
EVALALIGN: Supervised Fine-Tuning Multimodal LLMs with Human-Aligned Data for Evaluating Text-to-Image Models
par: Tan, Zhiyu, et autres
Publié: (2024)
par: Tan, Zhiyu, et autres
Publié: (2024)
TI-JEPA: An Innovative Energy-based Joint Embedding Strategy for Text-Image Multimodal Systems
par: Vo, Khang H. N., et autres
Publié: (2025)
par: Vo, Khang H. N., et autres
Publié: (2025)
MVAM: Multi-View Attention Method for Fine-grained Image-Text Matching
par: Cui, Wanqing, et autres
Publié: (2024)
par: Cui, Wanqing, et autres
Publié: (2024)
DiffChat: Learning to Chat with Text-to-Image Synthesis Models for Interactive Image Creation
par: Wang, Jiapeng, et autres
Publié: (2024)
par: Wang, Jiapeng, et autres
Publié: (2024)
Re-Thinking the Automatic Evaluation of Image-Text Alignment in Text-to-Image Models
par: Zhang, Huixuan, et autres
Publié: (2025)
par: Zhang, Huixuan, et autres
Publié: (2025)
Text-Guided Channel Perturbation and Pretrained Knowledge Integration for Unified Multi-Modality Image Fusion
par: Li, Xilai, et autres
Publié: (2025)
par: Li, Xilai, et autres
Publié: (2025)
Vision Learners Meet Web Image-Text Pairs
par: Zhao, Bingchen, et autres
Publié: (2023)
par: Zhao, Bingchen, et autres
Publié: (2023)
Linguistically Informed Multimodal Fusion for Vietnamese Scene-Text Image Captioning: Dataset, Graph Framework, and Phonological Attention
par: Nguyen, Nhi Ngoc-Yen, et autres
Publié: (2026)
par: Nguyen, Nhi Ngoc-Yen, et autres
Publié: (2026)
VIXEN: Visual Text Comparison Network for Image Difference Captioning
par: Black, Alexander, et autres
Publié: (2024)
par: Black, Alexander, et autres
Publié: (2024)
Universal Prompt Optimizer for Safe Text-to-Image Generation
par: Wu, Zongyu, et autres
Publié: (2024)
par: Wu, Zongyu, et autres
Publié: (2024)
Looking Beyond Text: Reducing Language bias in Large Vision-Language Models via Multimodal Dual-Attention and Soft-Image Guidance
par: Zhao, Haozhe, et autres
Publié: (2024)
par: Zhao, Haozhe, et autres
Publié: (2024)
Investigating Disability Representations in Text-to-Image Models
par: Tian, Yang, et autres
Publié: (2026)
par: Tian, Yang, et autres
Publié: (2026)
CoMat: Aligning Text-to-Image Diffusion Model with Image-to-Text Concept Matching
par: Jiang, Dongzhi, et autres
Publié: (2024)
par: Jiang, Dongzhi, et autres
Publié: (2024)
FLUX-Reason-6M & PRISM-Bench: A Million-Scale Text-to-Image Reasoning Dataset and Comprehensive Benchmark
par: Fang, Rongyao, et autres
Publié: (2025)
par: Fang, Rongyao, et autres
Publié: (2025)
MULTI: Multimodal Understanding Leaderboard with Text and Images
par: Zhu, Zichen, et autres
Publié: (2024)
par: Zhu, Zichen, et autres
Publié: (2024)
Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs
par: Sun, Kaiser, et autres
Publié: (2026)
par: Sun, Kaiser, et autres
Publié: (2026)
Efficient Scaling of Diffusion Transformers for Text-to-Image Generation
par: Li, Hao, et autres
Publié: (2024)
par: Li, Hao, et autres
Publié: (2024)
Image2Text2Image: A Novel Framework for Label-Free Evaluation of Image-to-Text Generation with Text-to-Image Diffusion Models
par: Huang, Jia-Hong, et autres
Publié: (2024)
par: Huang, Jia-Hong, et autres
Publié: (2024)
Rethinking Composed Image Retrieval Evaluation: A Fine-Grained Benchmark from Image Editing
par: Song, Tingyu, et autres
Publié: (2026)
par: Song, Tingyu, et autres
Publié: (2026)
Interleaved Scene Graphs for Interleaved Text-and-Image Generation Assessment
par: Chen, Dongping, et autres
Publié: (2024)
par: Chen, Dongping, et autres
Publié: (2024)
ViSAGe: A Global-Scale Analysis of Visual Stereotypes in Text-to-Image Generation
par: Jha, Akshita, et autres
Publié: (2024)
par: Jha, Akshita, et autres
Publié: (2024)
WAON: A Large-Scale Japanese Image-Text Dataset for Cultural Adaptation in Contrastive Vision-Language Models
par: Sugiura, Issa, et autres
Publié: (2025)
par: Sugiura, Issa, et autres
Publié: (2025)
Scaling Concept With Text-Guided Diffusion Models
par: Huang, Chao, et autres
Publié: (2024)
par: Huang, Chao, et autres
Publié: (2024)
Documents similaires
-
EVA-CLIP-18B: Scaling CLIP to 18 Billion Parameters
par: Sun, Quan, et autres
Publié: (2024) -
Emu: Generative Pretraining in Multimodality
par: Sun, Quan, et autres
Publié: (2023) -
Generative Multimodal Models are In-Context Learners
par: Sun, Quan, et autres
Publié: (2023) -
ScaleCap: Inference-Time Scalable Image Captioning via Dual-Modality Debiasing
par: Xing, Long, et autres
Publié: (2025) -
EVA-02: A Visual Representation for Neon Genesis
par: Fang, Yuxin, et autres
Publié: (2023)