Buchumschlag

When Do We Not Need Larger Vision Models?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shi, Baifeng, Wu, Ziyang, Mao, Maolin, Wang, Xin, Darrell, Trevor
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

LLM-grounded Video Diffusion Models
von: Lian, Long, et al.
Veröffentlicht: (2023)

Recursive Visual Programming
von: Ge, Jiaxin, et al.
Veröffentlicht: (2023)

LLARVA: Vision-Action Instruction Tuning Enhances Robot Learning
von: Niu, Dantong, et al.
Veröffentlicht: (2024)

xT: Nested Tokenization for Larger Context in Large Images
von: Gupta, Ritwik, et al.
Veröffentlicht: (2024)

Scaling Vision Pre-Training to 4K Resolution
von: Shi, Baifeng, et al.
Veröffentlicht: (2025)

Do We Need Reformer for Vision? An Experimental Comparison with Vision Transformers
von: Bellaj, Ali El, et al.
Veröffentlicht: (2025)

Rethinking Patch Dependence for Masked Autoencoders
von: Fu, Letian, et al.
Veröffentlicht: (2024)

Vision-Language Models Create Cross-Modal Task Representations
von: Luo, Grace, et al.
Veröffentlicht: (2024)

Puzzled by Puzzles: When Vision-Language Models Can't Take a Hint
von: Lee, Heekyung, et al.
Veröffentlicht: (2025)

MambaOut: Do We Really Need Mamba for Vision?
von: Yu, Weihao, et al.
Veröffentlicht: (2024)

Humanoid Locomotion as Next Token Prediction
von: Radosavovic, Ilija, et al.
Veröffentlicht: (2024)

Do Less, Achieve More: Do We Need Every-Step Optimization for RL Fine-tuning of Diffusion Models?
von: Yan, Renye, et al.
Veröffentlicht: (2026)

Generate, but Verify: Reducing Hallucination in Vision-Language Models with Retrospective Resampling
von: Wu, Tsung-Han, et al.
Veröffentlicht: (2025)

When Does Perceptual Alignment Benefit Vision Representations?
von: Sundaram, Shobhita, et al.
Veröffentlicht: (2024)

FoundationMotion: Auto-Labeling and Reasoning about Spatial Movement in Videos
von: Gan, Yulu, et al.
Veröffentlicht: (2025)

Do We Need to Design Specific Diffusion Models for Different Tasks? Try ONE-PIC
von: Tao, Ming, et al.
Veröffentlicht: (2024)

LLM-grounded Diffusion: Enhancing Prompt Understanding of Text-to-Image Diffusion Models with Large Language Models
von: Lian, Long, et al.
Veröffentlicht: (2023)

Do Vision Language Models Need to Process Image Tokens?
von: Ghosh, Sambit, et al.
Veröffentlicht: (2026)

Constantly Improving Image Models Need Constantly Improving Benchmarks
von: Ge, Jiaxin, et al.
Veröffentlicht: (2025)

What Are We Measuring When We Evaluate Large Vision-Language Models? An Analysis of Latent Factors and Biases
von: Tiong, Anthony Meng Huat, et al.
Veröffentlicht: (2024)

How Much of a Model Do We Need? Redundancy and Slimmability in Remote Sensing Foundation Models
von: Hackel, Leonard, et al.
Veröffentlicht: (2026)

DAVE: A VLM Vision Encoder for Document Understanding and Web Agents
von: Huang, Brandon, et al.
Veröffentlicht: (2025)

Do We Need Perfect Data? Leveraging Noise for Domain Generalized Segmentation
von: Kim, Taeyeong, et al.
Veröffentlicht: (2025)

Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing
von: Shi, Baifeng, et al.
Veröffentlicht: (2026)

REOrdering Patches Improves Vision Models
von: Kutscher, Declan, et al.
Veröffentlicht: (2025)

Visual Haystacks: A Vision-Centric Needle-In-A-Haystack Benchmark
von: Wu, Tsung-Han, et al.
Veröffentlicht: (2024)

Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales
von: Qi, Shuren, et al.
Veröffentlicht: (2024)

Segment Anything without Supervision
von: Wang, XuDong, et al.
Veröffentlicht: (2024)

Do We Really Need a Complex Agent System? Distill Embodied Agent into a Single Model
von: Zhao, Zhonghan, et al.
Veröffentlicht: (2024)

Do We Really Need a Large Number of Visual Prompts?
von: Kim, Youngeun, et al.
Veröffentlicht: (2023)

Do We Need All the Synthetic Data? Targeted Image Augmentation via Diffusion Models
von: Nguyen, Dang, et al.
Veröffentlicht: (2025)

Do VLMs Need Vision Transformers? Evaluating State Space Models as Vision Encoders
von: Kuo, Shang-Jui Ray, et al.
Veröffentlicht: (2026)

Fast Image-based Neural Relighting with Translucency-Reflection Modeling
von: Zhu, Shizhan, et al.
Veröffentlicht: (2023)

Vision Transformers Need More Than Registers
von: Shi, Cheng, et al.
Veröffentlicht: (2026)

Learning to Grasp Anything by Playing with Random Toys
von: Niu, Dantong, et al.
Veröffentlicht: (2025)

Readout Guidance: Learning Control from Diffusion Features
von: Luo, Grace, et al.
Veröffentlicht: (2023)

Do we Really Need Visual Instructions? Towards Visual Instruction-Free Fine-tuning for Large Vision-Language Models
von: Liu, Zikang, et al.
Veröffentlicht: (2025)

Tracking Meets LoRA: Faster Training, Larger Model, Stronger Performance
von: Lin, Liting, et al.
Veröffentlicht: (2024)

Larger than memory image processing
von: Sporring, Jon, et al.
Veröffentlicht: (2026)

Finding Visual Task Vectors
von: Hojel, Alberto, et al.
Veröffentlicht: (2024)