Buchumschlag

AutoMMLab: Automatically Generating Deployable Models from Language Instructions for Computer Vision Tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Zekang, Zeng, Wang, Jin, Sheng, Qian, Chen, Luo, Ping, Liu, Wentao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

NADER: Neural Architecture Design via Multi-Agent Collaboration
von: Yang, Zekang, et al.
Veröffentlicht: (2024)

When Pedestrian Detection Meets Multi-Modal Learning: Generalist Model and Benchmark Dataset
von: Zhang, Yi, et al.
Veröffentlicht: (2024)

You Only Learn One Query: Learning Unified Human Query for Single-Stage Multi-Person Multi-Task Human-Centric Perception
von: Jin, Sheng, et al.
Veröffentlicht: (2023)

KptLLM++: Towards Generic Keypoint Comprehension with Large Language Model
von: Yang, Jie, et al.
Veröffentlicht: (2025)

Vision-Language Models for Vision Tasks: A Survey
von: Zhang, Jingyi, et al.
Veröffentlicht: (2023)

KptLLM: Unveiling the Power of Large Language Model for Keypoint Comprehension
von: Yang, Jie, et al.
Veröffentlicht: (2024)

AutoHallusion: Automatic Generation of Hallucination Benchmarks for Vision-Language Models
von: Wu, Xiyang, et al.
Veröffentlicht: (2024)

TCFormer: Visual Recognition via Token Clustering Transformer
von: Zeng, Wang, et al.
Veröffentlicht: (2024)

GKGNet: Group K-Nearest Neighbor based Graph Convolutional Network for Multi-Label Image Recognition
von: Yao, Ruijie, et al.
Veröffentlicht: (2023)

Instruction-Grounded Visual Projectors for Continual Learning of Generative Vision-Language Models
von: Jin, Hyundong, et al.
Veröffentlicht: (2025)

Explanatory Instructions: Towards Unified Vision Tasks Understanding and Zero-shot Generalization
von: Shen, Yang, et al.
Veröffentlicht: (2024)

UniFS: Universal Few-shot Instance Perception with Point Representations
von: Jin, Sheng, et al.
Veröffentlicht: (2024)

AutoEval-Video: An Automatic Benchmark for Assessing Large Vision Language Models in Open-Ended Video Question Answering
von: Chen, Xiuyuan, et al.
Veröffentlicht: (2023)

Navigation Instruction Generation with BEV Perception and Large Language Models
von: Fan, Sheng, et al.
Veröffentlicht: (2024)

From Generalist to Specialist: Adapting Vision Language Models via Task-Specific Visual Instruction Tuning
von: Bai, Yang, et al.
Veröffentlicht: (2024)

SkyEyeGPT: Unifying Remote Sensing Vision-Language Tasks via Instruction Tuning with Large Language Model
von: Zhan, Yang, et al.
Veröffentlicht: (2024)

Reflective Instruction Tuning: Mitigating Hallucinations in Large Vision-Language Models
von: Zhang, Jinrui, et al.
Veröffentlicht: (2024)

AutoOcc: Automatic Open-Ended Semantic Occupancy Annotation via Vision-Language Guided Gaussian Splatting
von: Zhou, Xiaoyu, et al.
Veröffentlicht: (2025)

VisionLLM v2: An End-to-End Generalist Multimodal Large Language Model for Hundreds of Vision-Language Tasks
von: Wu, Jiannan, et al.
Veröffentlicht: (2024)

Vision-Language-Vision Auto-Encoder: Scalable Knowledge Distillation from Diffusion Models
von: Zhang, Tiezheng, et al.
Veröffentlicht: (2025)

Investigating the Scaling Effect of Instruction Templates for Training Multimodal Language Model
von: Wang, Shijian, et al.
Veröffentlicht: (2024)

Generative Giants, Retrieval Weaklings: Why do Multimodal Large Language Models Fail at Multimodal Retrieval?
von: Feng, Hengyi, et al.
Veröffentlicht: (2025)

Fewer Denoising Steps or Cheaper Per-Step Inference: Towards Compute-Optimal Diffusion Model Deployment
von: Du, Zhenbang, et al.
Veröffentlicht: (2025)

Mitigating Dialogue Hallucination for Large Vision Language Models via Adversarial Instruction Tuning
von: Park, Dongmin, et al.
Veröffentlicht: (2024)

From Prompts to Deployment: Auto-Curated Domain-Specific Dataset Generation via Diffusion Models
von: Yoon, Dongsik, et al.
Veröffentlicht: (2026)

Cross-Domain Few-Shot Learning via Multi-View Collaborative Optimization with Vision-Language Models
von: Chen, Dexia, et al.
Veröffentlicht: (2025)

Controlling Vision-Language Models for Multi-Task Image Restoration
von: Luo, Ziwei, et al.
Veröffentlicht: (2023)

Masked AutoDecoder is Effective Multi-Task Vision Generalist
von: Qiu, Han, et al.
Veröffentlicht: (2024)

Improving Continuous Sign Language Recognition with Adapted Image Models
von: Hu, Lianyu, et al.
Veröffentlicht: (2024)

InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks
von: Chen, Zhe, et al.
Veröffentlicht: (2023)

TaskCLIP: Extend Large Vision-Language Model for Task Oriented Object Detection
von: Chen, Hanning, et al.
Veröffentlicht: (2024)

Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment
von: Yan, Ziang, et al.
Veröffentlicht: (2024)

Reasoning in Computer Vision: Taxonomy, Models, Tasks, and Methodologies
von: Sarkar, Ayushman, et al.
Veröffentlicht: (2025)

VAR-CLIP: Text-to-Image Generator with Visual Auto-Regressive Modeling
von: Zhang, Qian, et al.
Veröffentlicht: (2024)

Instruction-Free Tuning of Large Vision Language Models for Medical Instruction Following
von: Kang, Myeongkyun, et al.
Veröffentlicht: (2026)

PlanGen: Towards Unified Layout Planning and Image Generation in Auto-Regressive Vision Language Models
von: He, Runze, et al.
Veröffentlicht: (2025)

Diagnosing the Compositional Knowledge of Vision Language Models from a Game-Theoretic View
von: Wang, Jin, et al.
Veröffentlicht: (2024)

MC-LLaVA: Multi-Concept Personalized Vision-Language Model
von: An, Ruichuan, et al.
Veröffentlicht: (2025)

Auto Cherry-Picker: Learning from High-quality Generative Data Driven by Language
von: Chen, Yicheng, et al.
Veröffentlicht: (2024)

Dynamic Spatial-Temporal Aggregation for Skeleton-Aware Sign Language Recognition
von: Hu, Lianyu, et al.
Veröffentlicht: (2024)