Buchumschlag

CityLLaVA: Efficient Fine-Tuning for VLMs in City Scenario

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Duan, Zhizhao, Cheng, Hao, Xu, Duo, Wu, Xi, Zhang, Xiangxie, Ye, Xi, Xie, Zhen
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

Multi-Task Dense Prediction Fine-Tuning with Mixture of Fine-Grained Experts
von: Xu, Yangyang, et al.
Veröffentlicht: (2025)

Enhancing Subsequent Video Retrieval via Vision-Language Models (VLMs)
von: Duan, Yicheng, et al.
Veröffentlicht: (2025)

LLaVA-SLT: Visual Language Tuning for Sign Language Translation
von: Liang, Han, et al.
Veröffentlicht: (2024)

SHIFT: Motion Alignment in Video Diffusion Models with Adversarial Hybrid Fine-Tuning
von: Ye, Xi, et al.
Veröffentlicht: (2026)

FocusLLaVA: A Coarse-to-Fine Approach for Efficient and Effective Visual Token Compression
von: Zhu, Yuke, et al.
Veröffentlicht: (2024)

GeoLLaVA: Efficient Fine-Tuned Vision-Language Models for Temporal Change Detection in Remote Sensing
von: Elgendy, Hosam, et al.
Veröffentlicht: (2024)

MG-LLaVA: Towards Multi-Granularity Visual Instruction Tuning
von: Zhao, Xiangyu, et al.
Veröffentlicht: (2024)

TinyLLaVA-Video: Towards Smaller LMMs for Video Understanding with Group Resampler
von: Zhang, Xingjian, et al.
Veröffentlicht: (2025)

LLaVA-c: Continual Improved Visual Instruction Tuning
von: Liu, Wenzhuo, et al.
Veröffentlicht: (2025)

FairLLaVA: Fairness-Aware Parameter-Efficient Fine-Tuning for Large Vision-Language Assistants
von: Bhosale, Mahesh, et al.
Veröffentlicht: (2026)

LLaVA-Video: Video Instruction Tuning With Synthetic Data
von: Zhang, Yuanhan, et al.
Veröffentlicht: (2024)

LLaVA-MoD: Making LLaVA Tiny via MoE Knowledge Distillation
von: Shu, Fangxun, et al.
Veröffentlicht: (2024)

Continual LLaVA: Continual Instruction Tuning in Large Vision-Language Models
von: Cao, Meng, et al.
Veröffentlicht: (2024)

TG-LLaVA: Text Guided LLaVA via Learnable Latent Embeddings
von: Yan, Dawei, et al.
Veröffentlicht: (2024)

LLaVA-ReID: Selective Multi-image Questioner for Interactive Person Re-Identification
von: Lu, Yiding, et al.
Veröffentlicht: (2025)

Imagine a City: CityGenAgent for Procedural 3D City Generation
von: Liu, Zishan, et al.
Veröffentlicht: (2026)

TC-LLaVA: Rethinking the Transfer from Image to Video Understanding with Temporal Considerations
von: Gao, Mingze, et al.
Veröffentlicht: (2024)

CityCraft: A Real Crafter for 3D City Generation
von: Deng, Jie, et al.
Veröffentlicht: (2024)

ChartM$^3$: A Multi-Stage Code-Driven Pipeline for Constructing Multi-Dimensional and Multi-Step Visual Reasoning Data in Chart Comprehension
von: Xu, Duo, et al.
Veröffentlicht: (2025)

LLaVA-CoT: Let Vision Language Models Reason Step-by-Step
von: Xu, Guowei, et al.
Veröffentlicht: (2024)

CitySeg: A 3D Open Vocabulary Semantic Segmentation Foundation Model in City-scale Scenarios
von: Xu, Jialei, et al.
Veröffentlicht: (2025)

WeGeFT: Weight-Generative Fine-Tuning for Multi-Faceted Efficient Adaptation of Large Models
von: Savadikar, Chinmay, et al.
Veröffentlicht: (2023)

EfficientLLaVA:Generalizable Auto-Pruning for Large Vision-language Models
von: Liang, Yinan, et al.
Veröffentlicht: (2025)

LLaVA-SpaceSGG: Visual Instruct Tuning for Open-vocabulary Scene Graph Generation with Enhanced Spatial Relations
von: Xu, Mingjie, et al.
Veröffentlicht: (2024)

Selecting Fine-Tuning Examples by Quizzing VLMs
von: Ji, Tenghao, et al.
Veröffentlicht: (2025)

LLaVA-Pose: Enhancing Human Pose and Action Understanding via Keypoint-Integrated Instruction Tuning
von: Zhang, Dewen, et al.
Veröffentlicht: (2025)

ATP-LLaVA: Adaptive Token Pruning for Large Vision Language Models
von: Ye, Xubing, et al.
Veröffentlicht: (2024)

LLaVA$^3$: Representing 3D Scenes like a Cubist Painter to Boost 3D Scene Understanding of VLMs
von: Petit, Doriand, et al.
Veröffentlicht: (2025)

u-LLaVA: Unifying Multi-Modal Tasks via Large Language Model
von: Xu, Jinjin, et al.
Veröffentlicht: (2023)

EMO-LLaMA: Enhancing Facial Emotion Understanding with Instruction Tuning
von: Xing, Bohao, et al.
Veröffentlicht: (2024)

LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence
von: An, Xiang, et al.
Veröffentlicht: (2026)

AirCache: Activating Inter-modal Relevancy KV Cache Compression for Efficient Large Vision-Language Model Inference
von: Huang, Kai, et al.
Veröffentlicht: (2025)

HyperLLaVA: Dynamic Visual and Language Expert Tuning for Multimodal Large Language Models
von: Zhang, Wenqiao, et al.
Veröffentlicht: (2024)

$h$-control: Training-Free Camera Control via Block-Conditional Gibbs Refinement
von: Wang, Yuzhu, et al.
Veröffentlicht: (2026)

OMG-LLaVA: Bridging Image-level, Object-level, Pixel-level Reasoning and Understanding
von: Zhang, Tao, et al.
Veröffentlicht: (2024)

Multi-Object Tracking Retrieval with LLaVA-Video: A Training-Free Solution to MOT25-StAG Challenge
von: Yang, Yi, et al.
Veröffentlicht: (2025)

Surgical-LLaVA: Toward Surgical Scenario Understanding via Large Language and Vision Models
von: Jin, Juseong, et al.
Veröffentlicht: (2024)

MoE-LLaVA: Mixture of Experts for Large Vision-Language Models
von: Lin, Bin, et al.
Veröffentlicht: (2024)

TinyLLaVA-Video-R1: Towards Smaller LMMs for Video Reasoning
von: Zhang, Xingjian, et al.
Veröffentlicht: (2025)

LLaVA-ST: A Multimodal Large Language Model for Fine-Grained Spatial-Temporal Understanding
von: Li, Hongyu, et al.
Veröffentlicht: (2025)