:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liao, Yuan-Hong, Mahmood, Rafid, Fidler, Sanja, Acuna, David
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2404.06510
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Reasoning Paths with Reference Objects Elicit Quantitative Spatial Reasoning in Large Vision-Language Models
von: Liao, Yuan-Hong, et al.
Veröffentlicht: (2024)

LongPerceptualThoughts: Distilling System-2 Reasoning for System-1 Perception
von: Liao, Yuan-Hong, et al.
Veröffentlicht: (2025)

AutoBench-V: Can Large Vision-Language Models Benchmark Themselves?
von: Bao, Han, et al.
Veröffentlicht: (2024)

Minority Reports: Balancing Cost and Quality in Ground Truth Data Annotation
von: Liao, Hsuan Wei, et al.
Veröffentlicht: (2025)

EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models
von: Namekata, Koichi, et al.
Veröffentlicht: (2024)

Align Your Steps: Optimizing Sampling Schedules in Diffusion Models
von: Sabour, Amirmojtaba, et al.
Veröffentlicht: (2024)

RefFusion: Reference Adapted Diffusion Models for 3D Scene Inpainting
von: Mirzaei, Ashkan, et al.
Veröffentlicht: (2024)

IDEATOR: Jailbreaking and Benchmarking Large Vision-Language Models Using Themselves
von: Wang, Ruofan, et al.
Veröffentlicht: (2024)

Align Your Flow: Scaling Continuous-Time Flow Map Distillation
von: Sabour, Amirmojtaba, et al.
Veröffentlicht: (2025)

Socratic-MCTS: Test-Time Visual Reasoning by Asking the Right Questions
von: Acuna, David, et al.
Veröffentlicht: (2025)

Evaluation and Enhancement of Semantic Grounding in Large Vision-Language Models
von: Lu, Jiaying, et al.
Veröffentlicht: (2023)

Photorealistic Object Insertion with Diffusion-Guided Inverse Rendering
von: Liang, Ruofan, et al.
Veröffentlicht: (2024)

AgriChain Visually Grounded Expert Verified Reasoning for Interpretable Agricultural Vision Language Models
von: Mahmood, Hazza, et al.
Veröffentlicht: (2026)

Skip Tuning: Pre-trained Vision-Language Models are Effective and Efficient Adapters Themselves
von: Wu, Shihan, et al.
Veröffentlicht: (2024)

XCube: Large-Scale 3D Generative Modeling using Sparse Voxel Hierarchies
von: Ren, Xuanchi, et al.
Veröffentlicht: (2023)

Beyond Perception Errors: Semantic Fixation in Large Vision-Language Models
von: Alam, Md Tanvirul
Veröffentlicht: (2026)

WildFusion: Learning 3D-Aware Latent Diffusion Models in View Space
von: Schwarz, Katja, et al.
Veröffentlicht: (2023)

Curing Semantic Drift: A Dynamic Approach to Grounding Generation in Large Vision-Language Models
von: Chen, Jiahe, et al.
Veröffentlicht: (2025)

NeRF-XL: Scaling NeRFs with Multiple GPUs
von: Li, Ruilong, et al.
Veröffentlicht: (2024)

Vision-LLMs Can Fool Themselves with Self-Generated Typographic Attacks
von: Qraitem, Maan, et al.
Veröffentlicht: (2024)

Align Your Gaussians: Text-to-4D with Dynamic 3D Gaussians and Composed Diffusion Models
von: Ling, Huan, et al.
Veröffentlicht: (2023)

ViR: Towards Efficient Vision Retention Backbones
von: Hatamizadeh, Ali, et al.
Veröffentlicht: (2023)

Semantically Grounded QFormer for Efficient Vision Language Understanding
von: Choraria, Moulik, et al.
Veröffentlicht: (2023)

ReMatching Dynamic Reconstruction Flow
von: Oblak, Sara, et al.
Veröffentlicht: (2024)

Large Vision Model-Guided Masked Low-Rank Approximation for Ground-Roll Attenuation
von: Liao, Jiacheng, et al.
Veröffentlicht: (2026)

Affordance Perception by a Knowledge-Guided Vision-Language Model with Efficient Error Correction
von: Burghouts, Gertjan, et al.
Veröffentlicht: (2024)

Controllable Weather Synthesis and Removal with Video Diffusion Models
von: Lin, Chih-Hao, et al.
Veröffentlicht: (2025)

GeoGround: A Unified Large Vision-Language Model for Remote Sensing Visual Grounding
von: Zhou, Yue, et al.
Veröffentlicht: (2024)

No Other Representation Component Is Needed: Diffusion Transformers Can Provide Representation Guidance by Themselves
von: Jiang, Dengyang, et al.
Veröffentlicht: (2025)

SIF: Semantically In-Distribution Fingerprints for Large Vision-Language Models
von: Zhao, Yifei, et al.
Veröffentlicht: (2026)

Vision-Language Semantic Grounding for Multi-Domain Crop-Weed Segmentation
von: Hossain, Nazia, et al.
Veröffentlicht: (2026)

RadarGen: Automotive Radar Point Cloud Generation from Cameras
von: Borreda, Tomer, et al.
Veröffentlicht: (2025)

Can Large Vision-Language Models Understand Multimodal Sarcasm?
von: Wang, Xinyu, et al.
Veröffentlicht: (2025)

Augmented Reality based Simulated Data (ARSim) with multi-view consistency for AV perception networks
von: Anwar, Aqeel, et al.
Veröffentlicht: (2024)

DenseGrounding: Improving Dense Language-Vision Semantics for Ego-Centric 3D Visual Grounding
von: Zheng, Henry, et al.
Veröffentlicht: (2025)

Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata
von: Zhang, Dongsu, et al.
Veröffentlicht: (2024)

PARTFIELD: Learning 3D Feature Fields for Part Segmentation and Beyond
von: Liu, Minghua, et al.
Veröffentlicht: (2025)

PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion
von: Lu, Yifan, et al.
Veröffentlicht: (2026)

Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding
von: Kumbhar, Shrinidhi, et al.
Veröffentlicht: (2026)

Show and Guide: Instructional-Plan Grounded Vision and Language Model
von: Glória-Silva, Diogo, et al.
Veröffentlicht: (2024)