Buchumschlag

GiT: Towards Generalist Vision Transformer through Universal Language Interface

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Haiyang, Tang, Hao, Jiang, Li, Shi, Shaoshuai, Naeem, Muhammad Ferjad, Li, Hongsheng, Schiele, Bernt, Wang, Liwei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Toward a Diffusion-Based Generalist for Dense Vision Tasks
von: Fan, Yue, et al.
Veröffentlicht: (2024)

Language-Unlocked ViT (LUViT): Empowering Self-Supervised Vision Transformers with LLMs
von: Kuzucu, Selim, et al.
Veröffentlicht: (2025)

TokenFormer: Rethinking Transformer Scaling with Tokenized Model Parameters
von: Wang, Haiyang, et al.
Veröffentlicht: (2024)

PARCEL: Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding
von: Kuzucu, Selim, et al.
Veröffentlicht: (2026)

MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying
von: Shi, Shaoshuai, et al.
Veröffentlicht: (2023)

RefAM: Attention Magnets for Zero-Shot Referral Segmentation
von: Kukleva, Anna, et al.
Veröffentlicht: (2025)

Learning to Prompt with Text Only Supervision for Vision-Language Models
von: Khattak, Muhammad Uzair, et al.
Veröffentlicht: (2024)

B-cos Alignment for Inherently Interpretable CNNs and Vision Transformers
von: Böhle, Moritz, et al.
Veröffentlicht: (2023)

Seeing Through Circuits: Faithful Mechanistic Interpretability for Vision Transformers
von: Żukowska, Nina, et al.
Veröffentlicht: (2026)

MTA-CLIP: Language-Guided Semantic Segmentation with Mask-Text Alignment
von: Das, Anurag, et al.
Veröffentlicht: (2024)

Exposing the Copycat Problem of Imitation-based Planner: A Novel Closed-Loop Simulator, Causal Benchmark and Joint IL-RL Baseline
von: Zhou, Hui, et al.
Veröffentlicht: (2025)

SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving
von: Chen, Xuesong, et al.
Veröffentlicht: (2025)

Towards Better Understanding Attribution Methods
von: Rao, Sukrut, et al.
Veröffentlicht: (2022)

OmniFashion: Towards Generalist Fashion Intelligence via Multi-Task Vision-Language Learning
von: Yang, Zhengwei, et al.
Veröffentlicht: (2026)

VITAL: More Understandable Feature Visualization through Distribution Alignment and Relevant Information Flow
von: Gorgun, Ada, et al.
Veröffentlicht: (2025)

OrCo: Towards Better Generalization via Orthogonality and Contrast for Few-Shot Class-Incremental Learning
von: Ahmed, Noor, et al.
Veröffentlicht: (2024)

UFO: A Unified Approach to Fine-grained Visual Perception via Open-ended Language Interface
von: Tang, Hao, et al.
Veröffentlicht: (2025)

CFM: Language-aligned Concept Foundation Model for Vision
von: Wittenmayer, Kai, et al.
Veröffentlicht: (2026)

GLID: Pre-training a Generalist Encoder-Decoder Vision Model
von: Liu, Jihao, et al.
Veröffentlicht: (2024)

B-cosification: Transforming Deep Neural Networks to be Inherently Interpretable
von: Arya, Shreyash, et al.
Veröffentlicht: (2024)

Towards Learning a Generalist Model for Embodied Navigation
von: Zheng, Duo, et al.
Veröffentlicht: (2023)

Convolutional Dynamic Alignment Networks for Interpretable Classifications
von: Böhle, Moritz, et al.
Veröffentlicht: (2021)

Better Understanding Differences in Attribution Methods via Systematic Evaluations
von: Rao, Sukrut, et al.
Veröffentlicht: (2023)

DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring
von: Dong, Jiangxin, et al.
Veröffentlicht: (2021)

Optimising for Interpretability: Convolutional Dynamic Alignment Networks
von: Böhle, Moritz, et al.
Veröffentlicht: (2021)

Adversarial Training against Location-Optimized Adversarial Patches
von: Rao, Sukrut, et al.
Veröffentlicht: (2020)

GiMeFive: Towards Interpretable Facial Emotion Classification
von: Wang, Jiawen, et al.
Veröffentlicht: (2024)

GiLT: Augmenting Transformer Language Models with Dependency Graphs
von: Huang, Tianyu, et al.
Veröffentlicht: (2026)

ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving
von: Peng, Qihang, et al.
Veröffentlicht: (2025)

Unbiasing through Textual Descriptions: Mitigating Representation Bias in Video Benchmarks
von: Shvetsova, Nina, et al.
Veröffentlicht: (2025)

3D-LLaVA: Towards Generalist 3D LMMs with Omni Superpoint Transformer
von: Deng, Jiajun, et al.
Veröffentlicht: (2025)

PersonaHOI: Effortlessly Improving Personalized Face with Human-Object Interaction Generation
von: Hu, Xinting, et al.
Veröffentlicht: (2025)

GiVE: Guiding Visual Encoder to Perceive Overlooked Information
von: Li, Junjie, et al.
Veröffentlicht: (2024)

DF-LoGiT: Data-Free Logic-Gated Backdoor Attacks in Vision Transformers
von: Shen, Xiaozuo, et al.
Veröffentlicht: (2026)

Human Pose Descriptions and Subject-Focused Attention for Improved Zero-Shot Transfer in Human-Centric Classification Tasks
von: Khan, Muhammad Saif Ullah, et al.
Veröffentlicht: (2024)

What Matters in Building Vision-Language-Action Models for Generalist Robots
von: Li, Xinghang, et al.
Veröffentlicht: (2024)

HowToCaption: Prompting LLMs to Transform Video Annotations at Scale
von: Shvetsova, Nina, et al.
Veröffentlicht: (2023)

SSL-R1: Self-Supervised Visual Reinforcement Post-Training for Multimodal Large Language Models
von: Xie, Jiahao, et al.
Veröffentlicht: (2026)

Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy
von: Hou, Zhi, et al.
Veröffentlicht: (2025)

Towards Generalist Intelligence in Dentistry: Vision Foundation Models for Oral and Maxillofacial Radiology
von: Huang, Xinrui, et al.
Veröffentlicht: (2025)