Buchumschlag

State Space Model for New-Generation Network Alternative to Transformers: A Survey

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Xiao, Wang, Shiao, Ding, Yuhe, Li, Yuehang, Wu, Wentao, Rong, Yao, Kong, Weizhe, Huang, Ju, Li, Shihao, Yang, Haoxiang, Wang, Ziwen, Jiang, Bo, Li, Chenglong, Wang, Yaowei, Tian, Yonghong, Tang, Jin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Computation and Language Computer Vision and Pattern Recognition Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Large-scale Multi-Modal Pre-trained Models: A Comprehensive Survey
von: Wang, Xiao, et al.
Veröffentlicht: (2023)

SSTFormer: Bridging Spiking Neural Network and Memory Support Transformer for Frame-Event based Recognition
von: Wang, Xiao, et al.
Veröffentlicht: (2023)

T2I-VeRW: Part-level Fine-grained Perception for Text-to-Image Vehicle Retrieval
von: Wang, Xiao, et al.
Veröffentlicht: (2026)

Continual Panoptic Perception: Towards Multi-modal Incremental Interpretation of Remote Sensing Images
von: Yuan, Bo, et al.
Veröffentlicht: (2024)

CoPRS: Learning Positional Prior from Chain-of-Thought for Reasoning Segmentation
von: Lu, Zhenyu, et al.
Veröffentlicht: (2025)

Distilling Implicit Multimodal Knowledge into Large Language Models for Zero-Resource Dialogue Generation
von: Zhang, Bo, et al.
Veröffentlicht: (2024)

Imagine Before Concentration: Diffusion-Guided Registers Enhance Partially Relevant Video Retrieval
von: Li, Jun, et al.
Veröffentlicht: (2026)

HDiffTG: A Lightweight Hybrid Diffusion-Transformer-GCN Architecture for 3D Human Pose Estimation
von: Fu, Yajie, et al.
Veröffentlicht: (2025)

Text2Sign Diffusion: A Generative Approach for Gloss-Free Sign Language Production
von: Feng, Liqian, et al.
Veröffentlicht: (2025)

Remember Past, Anticipate Future: Learning Continual Multimodal Misinformation Detectors
von: Wang, Bing, et al.
Veröffentlicht: (2025)

LaF-GRPO: In-Situ Navigation Instruction Generation for the Visually Impaired via GRPO with LLM-as-Follower Reward
von: Zhao, Yi, et al.
Veröffentlicht: (2025)

SequencePAR: Understanding Pedestrian Attributes via A Sequence Generation Paradigm
von: Jin, Jiandong, et al.
Veröffentlicht: (2023)

Order Is Not Layout: Order-to-Space Bias in Image Generation
von: Zhang, Yongkang, et al.
Veröffentlicht: (2026)

AutoSSVH: Exploring Automated Frame Sampling for Efficient Self-Supervised Video Hashing
von: Lian, Niu, et al.
Veröffentlicht: (2025)

BlobCtrl: Taming Controllable Blob for Element-level Image Editing
von: Li, Yaowei, et al.
Veröffentlicht: (2025)

Image Conductor: Precision Control for Interactive Video Synthesis
von: Li, Yaowei, et al.
Veröffentlicht: (2024)

A Survey of Information Disorder on Video-Sharing Platforms
von: Li, Meiyu, et al.
Veröffentlicht: (2025)

PixelThink: Towards Efficient Chain-of-Pixel Reasoning
von: Wang, Song, et al.
Veröffentlicht: (2025)

Look, Compare and Draw: Differential Query Transformer for Automatic Oil Painting
von: Liu, Lingyu, et al.
Veröffentlicht: (2026)

Enhancing Multimodal Misinformation Detection by Replaying the Whole Story from Image Modality Perspective
von: Wang, Bing, et al.
Veröffentlicht: (2025)

HR-INR: Continuous Space-Time Video Super-Resolution via Event Camera
von: Lu, Yunfan, et al.
Veröffentlicht: (2024)

Retrieval-Augmented Multimodal Model for Fake News Detection
von: Li, Yiheng, et al.
Veröffentlicht: (2026)

HSVLT: Hierarchical Scale-Aware Vision-Language Transformer for Multi-Label Image Classification
von: Ouyang, Shuyi, et al.
Veröffentlicht: (2024)

Deep Shape-Texture Statistics for Completely Blind Image Quality Evaluation
von: Li, Yixuan, et al.
Veröffentlicht: (2024)

Harmfully Manipulated Images Matter in Multimodal Misinformation Detection
von: Wang, Bing, et al.
Veröffentlicht: (2024)

Listening to the Unspoken: Exploring "365" Aspects of Multimodal Interview Performance Assessment
von: Li, Jia, et al.
Veröffentlicht: (2025)

RiverEcho: Real-Time Interactive Digital System for Ancient Yellow River Culture
von: Wang, Haofeng, et al.
Veröffentlicht: (2025)

MIND Your Reasoning: A Meta-Cognitive Intuitive-Reflective Network for Dual-Reasoning in Multimodal Stance Detection
von: Wang, Bingbing, et al.
Veröffentlicht: (2025)

ASAP: Advancing Semantic Alignment Promotes Multi-Modal Manipulation Detecting and Grounding
von: Zhang, Zhenxing, et al.
Veröffentlicht: (2024)

A Survey of Multimodal Large Language Model from A Data-centric Perspective
von: Bai, Tianyi, et al.
Veröffentlicht: (2024)

M3FAS: An Accurate and Robust MultiModal Mobile Face Anti-Spoofing System
von: Kong, Chenqi, et al.
Veröffentlicht: (2023)

Towards Generalizable Deepfake Detection via Forgery-aware Audio-Visual Adaptation: A Variational Bayesian Approach
von: Nie, Fan, et al.
Veröffentlicht: (2025)

CVSearch: Empowering Multimodal LLMs with Cognitive Visual Search for High-Resolution Image Perception
von: Li, Liupeng, et al.
Veröffentlicht: (2026)

AIM: Let Any Multi-modal Large Language Models Embrace Efficient In-Context Learning
von: Gao, Jun, et al.
Veröffentlicht: (2024)

A Light-weight Transformer-based Self-supervised Matching Network for Heterogeneous Images
von: Zhang, Wang, et al.
Veröffentlicht: (2024)

Deepfake Detection: A Comprehensive Survey from the Reliability Perspective
von: Wang, Tianyi, et al.
Veröffentlicht: (2022)

HLFormer: Enhancing Partially Relevant Video Retrieval with Hyperbolic Learning
von: Li, Jun, et al.
Veröffentlicht: (2025)

Anchorage: Visual Analysis of Satisfaction in Customer Service Videos via Anchor Events
von: Wong, Kam Kwai, et al.
Veröffentlicht: (2023)

A Novel Approach to Industrial Defect Generation through Blended Latent Diffusion Model with Online Adaptation
von: Li, Hanxi, et al.
Veröffentlicht: (2024)

Revisiting Uncertainty: On Evidential Learning for Partially Relevant Video Retrieval
von: Li, Jun, et al.
Veröffentlicht: (2026)