Buchumschlag

Cantor: Inspiring Multimodal Chain-of-Thought of MLLM

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gao, Timin, Chen, Peixian, Zhang, Mengdan, Fu, Chaoyou, Shen, Yunhang, Zhang, Yan, Zhang, Shengchuan, Zheng, Xiawu, Sun, Xing, Cao, Liujuan, Ji, Rongrong
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VEGA: Learning Interleaved Image-Text Comprehension in Vision-Language Large Models
von: Zhou, Chenyu, et al.
Veröffentlicht: (2024)

Zooming from Context to Cue: Hierarchical Preference Optimization for Multi-Image MLLMs
von: Li, Xudong, et al.
Veröffentlicht: (2025)

Multi-Modal Prompt Learning on Blind Image Quality Assessment
von: Pan, Wensheng, et al.
Veröffentlicht: (2024)

What You Perceive Is What You Conceive: A Cognition-Inspired Framework for Open Vocabulary Image Segmentation
von: Lin, Jianghang, et al.
Veröffentlicht: (2025)

MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models
von: Fu, Chaoyou, et al.
Veröffentlicht: (2023)

Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity
von: Li, Xudong, et al.
Veröffentlicht: (2023)

Pseudo-Label Quality Decoupling and Correction for Semi-Supervised Instance Segmentation
von: Lin, Jianghang, et al.
Veröffentlicht: (2025)

Few-Shot Image Quality Assessment via Adaptation of Vision-Language Models
von: Li, Xudong, et al.
Veröffentlicht: (2024)

FastVGGT: Training-Free Acceleration of Visual Geometry Transformer
von: Shen, You, et al.
Veröffentlicht: (2025)

Long-VITA: Scaling Large Multi-modal Models to 1 Million Tokens with Leading Short-Context Accuracy
von: Shen, Yunhang, et al.
Veröffentlicht: (2025)

VITA-Audio: Fast Interleaved Cross-Modal Token Generation for Efficient Large Speech-Language Model
von: Long, Zuwei, et al.
Veröffentlicht: (2025)

Inter2Former: Dynamic Hybrid Attention for Efficient High-Precision Interactive
von: Huang, You, et al.
Veröffentlicht: (2025)

HRSAM: Efficient Interactive Segmentation in High-Resolution Images
von: Huang, You, et al.
Veröffentlicht: (2024)

S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection
von: Lin, Yu, et al.
Veröffentlicht: (2025)

Breaking the Bias: Recalibrating the Attention of Industrial Anomaly Detection
von: Chen, Xin, et al.
Veröffentlicht: (2024)

Contrastive Local Manifold Learning for No-Reference Image Quality Assessment
von: Huang, Zihao, et al.
Veröffentlicht: (2024)

Depth-Guided Semi-Supervised Instance Segmentation
von: Chen, Xin, et al.
Veröffentlicht: (2024)

SCOUT: Semi-supervised Camouflaged Object Detection by Utilizing Text and Adaptive Data Selection
von: Yan, Weiqi, et al.
Veröffentlicht: (2025)

FocSAM: Delving Deeply into Focused Objects in Segmenting Anything
von: Huang, You, et al.
Veröffentlicht: (2024)

GOI: Find 3D Gaussians of Interest with an Optimizable Open-vocabulary Semantic-space Hyperplane
von: Qu, Yansong, et al.
Veröffentlicht: (2024)

Drag Your Gaussian: Effective Drag-Based Editing with Score Distillation for 3D Gaussian Splatting
von: Qu, Yansong, et al.
Veröffentlicht: (2025)

Discover, Segment, and Select: A Progressive Mechanism for Zero-shot Camouflaged Object Segmentation
von: Yang, Yilong, et al.
Veröffentlicht: (2026)

FlexiReID: Adaptive Mixture of Expert for Multi-Modal Person Re-Identification
von: Sun, Zhen, et al.
Veröffentlicht: (2025)

HUWSOD: Holistic Self-training for Unified Weakly Supervised Object Detection
von: Cao, Liujuan, et al.
Veröffentlicht: (2024)

VITA: Towards Open-Source Interactive Omni Multimodal LLM
von: Fu, Chaoyou, et al.
Veröffentlicht: (2024)

UCOD-DPL: Unsupervised Camouflaged Object Detection via Dynamic Pseudo-label Learning
von: Yan, Weiqi, et al.
Veröffentlicht: (2025)

EBFT: Effective and Block-Wise Fine-Tuning for Sparse LLMs
von: Guo, Song, et al.
Veröffentlicht: (2024)

MME-CoT: Benchmarking Chain-of-Thought in Large Multimodal Models for Reasoning Quality, Robustness, and Efficiency
von: Jiang, Dongzhi, et al.
Veröffentlicht: (2025)

Omni-Diffusion: Unified Multimodal Understanding and Generation with Masked Discrete Diffusion
von: Li, Lijiang, et al.
Veröffentlicht: (2026)

Video-MME: The First-Ever Comprehensive Evaluation Benchmark of Multi-modal LLMs in Video Analysis
von: Fu, Chaoyou, et al.
Veröffentlicht: (2024)

Director3D: Real-world Camera Trajectory and 3D Scene Generation from Text
von: Li, Xinyang, et al.
Veröffentlicht: (2024)

Dual3D: Efficient and Consistent Text-to-3D Generation with Dual-mode Multi-view Latent Diffusion
von: Li, Xinyang, et al.
Veröffentlicht: (2024)

Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection
von: Lu, Yilin, et al.
Veröffentlicht: (2025)

BUFF: Bayesian Uncertainty Guided Diffusion Probabilistic Model for Single Image Super-Resolution
von: He, Zihao, et al.
Veröffentlicht: (2025)

Advancing Multimodal Large Language Models with Quantization-Aware Scale Learning for Efficient Adaptation
von: Xie, Jingjing, et al.
Veröffentlicht: (2024)

CamoTeacher: Dual-Rotation Consistency Learning for Semi-Supervised Camouflaged Object Detection
von: Lai, Xunfa, et al.
Veröffentlicht: (2024)

Streaming Video Instruction Tuning
von: Xia, Jiaer, et al.
Veröffentlicht: (2025)

Feast Your Eyes: Mixture-of-Resolution Adaptation for Multimodal Large Language Models
von: Luo, Gen, et al.
Veröffentlicht: (2024)

Active-SAOOD: Active Sparsely Annotated Oriented Object Detection in Remote Sensing Images
von: Lin, Yu, et al.
Veröffentlicht: (2026)

VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction
von: Fu, Chaoyou, et al.
Veröffentlicht: (2025)