Copertina

Mirasol3B: A Multimodal Autoregressive model for time-aligned and contextual modalities

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Piergiovanni, AJ, Noble, Isaac, Kim, Dahun, Ryoo, Michael S., Gomes, Victor, Angelova, Anelia
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

Whats in a Video: Factorized Autoregressive Decoding for Online Dense Video Captioning
di: Piergiovanni, AJ, et al.
Pubblicazione: (2024)

Time-Scaling State-Space Models for Dense Video Captioning
di: Piergiovanni, AJ, et al.
Pubblicazione: (2025)

VideoComp: Advancing Fine-Grained Compositional and Temporal Alignment in Video-Text Models
di: Kim, Dahun, et al.
Pubblicazione: (2025)

Unlocking Multi-Spectral Data for Multi-Modal Models with Guided Inputs and Chain-of-Thought Reasoning
di: Kim, Dahun, et al.
Pubblicazione: (2026)

Region-centric Image-Language Pretraining for Open-Vocabulary Detection
di: Kim, Dahun, et al.
Pubblicazione: (2023)

Zero-Shot Multi-Spectral Learning: Reimagining a Generalist Multimodal Gemini 2.5 Model for Remote Sensing Applications
di: Mallya, Ganesh, et al.
Pubblicazione: (2025)

Context-Adaptive Multi-Prompt Embedding with Large Language Models for Vision-Language Alignment
di: Kim, Dahun, et al.
Pubblicazione: (2025)

Understanding Long Videos with Multimodal Language Models
di: Ranasinghe, Kanchana, et al.
Pubblicazione: (2024)

MINERVA-Cultural: A Benchmark for Cultural and Multilingual Long Video Reasoning
di: Singh, Darshan, et al.
Pubblicazione: (2026)

OmniBind: Teach to Build Unequal-Scale Modality Interaction for Omni-Bind of All
di: Lyu, Yuanhuiyi, et al.
Pubblicazione: (2024)

A Training-Free Style-aligned Image Generation with Scale-wise Autoregressive Model
di: Park, Jihun, et al.
Pubblicazione: (2025)

Learning Visual Grounding from Generative Vision and Language Model
di: Wang, Shijie, et al.
Pubblicazione: (2024)

3D Open-Vocabulary Panoptic Segmentation with 2D-3D Vision-Language Distillation
di: Xiao, Zihao, et al.
Pubblicazione: (2024)

Image Translation with Kernel Prediction Networks for Semantic Segmentation
di: Mata, Cristina, et al.
Pubblicazione: (2025)

Vision-aligned Latent Reasoning for Multi-modal Large Language Model
di: Jeon, Byungwoo, et al.
Pubblicazione: (2026)

Model alignment using inter-modal bridges
di: Gholamzadeh, Ali, et al.
Pubblicazione: (2025)

VLA-Mark: A cross modal watermark for large vision-language alignment model
di: Liu, Shuliang, et al.
Pubblicazione: (2025)

Taking Shortcuts for Categorical VQA Using Super Neurons
di: Musacchio, Pierre, et al.
Pubblicazione: (2026)

Context-Aware Input Orchestration for Video Inpainting
di: Kim, Hoyoung, et al.
Pubblicazione: (2024)

LieHMR: Autoregressive Human Mesh Recovery with $SO(3)$ Diffusion
di: Kim, Donghwan, et al.
Pubblicazione: (2025)

MMSummary: Multimodal Summary Generation for Fetal Ultrasound Video
di: Guo, Xiaoqing, et al.
Pubblicazione: (2024)

RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO
di: Lu, Yanzuo, et al.
Pubblicazione: (2026)

VicTR: Video-conditioned Text Representations for Activity Recognition
di: Kahatapitiya, Kumara, et al.
Pubblicazione: (2023)

Language Repository for Long Video Understanding
di: Kahatapitiya, Kumara, et al.
Pubblicazione: (2024)

DrivingGPT: Unifying Driving World Modeling and Planning with Multi-modal Autoregressive Transformers
di: Chen, Yuntao, et al.
Pubblicazione: (2024)

Multi-visual modality micro drone-based structural damage detection
di: Agyemanga, Isaac Osei, et al.
Pubblicazione: (2025)

Too Many Frames, Not All Useful: Efficient Strategies for Long-Form Video QA
di: Park, Jongwoo, et al.
Pubblicazione: (2024)

A re-calibration method for object detection with multi-modal alignment bias in autonomous driving
di: Song, Zhihang, et al.
Pubblicazione: (2024)

Exploring contextual modeling with linear complexity for point cloud segmentation
di: Chng, Yong Xien, et al.
Pubblicazione: (2024)

Can multimodal representation learning by alignment preserve modality-specific information?
di: Thoreau, Romain, et al.
Pubblicazione: (2025)

Phantom: Subject-consistent video generation via cross-modal alignment
di: Liu, Lijie, et al.
Pubblicazione: (2025)

OmniMotion: Multimodal Motion Generation with Continuous Masked Autoregression
di: Li, Zhe, et al.
Pubblicazione: (2025)

Multimodal Autoregressive Pre-training of Large Vision Encoders
di: Fini, Enrico, et al.
Pubblicazione: (2024)

VINO: Video-driven Invariance for Non-contextual Objects via Structural Prior Guided De-contextualization
di: Yeom, Seul-Ki, et al.
Pubblicazione: (2026)

Cross-modal Affinity-aligned Multimodal Learning Analytics for Predicting Student Collaboration Satisfaction in Game-Based Learning
di: Tsai, Wen-Hsin, et al.
Pubblicazione: (2026)

Multi-view Structural Convolution Network for Domain-Invariant Point Cloud Recognition of Autonomous Vehicles
di: Kim, Younggun, et al.
Pubblicazione: (2025)

CoPT: Unsupervised Domain Adaptive Segmentation using Domain-Agnostic Text Embeddings
di: Mata, Cristina, et al.
Pubblicazione: (2025)

PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images
di: Zhang, Yuan, et al.
Pubblicazione: (2026)

Autoregressive Appearance Prediction for 3D Gaussian Avatars
di: Steiner, Michael, et al.
Pubblicazione: (2026)

Masked Autoregressive Model for Weather Forecasting
di: Kim, Doyi, et al.
Pubblicazione: (2024)