Buchumschlag

FFF: Fixing Flawed Foundations in contrastive pre-training results in very strong Vision-Language models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bulat, Adrian, Ouali, Yassine, Tzimiropoulos, Georgios
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fwd2Bot: LVLM Visual Token Compression with Double Forward Bottleneck
von: Bulat, Adrian, et al.
Veröffentlicht: (2025)

CLIP-DPO: Vision-Language Models as a Source of Preference for Fixing Hallucinations in LVLMs
von: Ouali, Yassine, et al.
Veröffentlicht: (2024)

VISion On Request: Enhanced VLLM efficiency with sparse, dynamically selected, vision-language interactions
von: Bulat, Adrian, et al.
Veröffentlicht: (2026)

Vision-Free Retrieval: Rethinking Multimodal Search with Textual Scene Descriptions
von: Ntinou, Ioanna, et al.
Veröffentlicht: (2025)

VladVA: Discriminative Fine-tuning of LVLMs
von: Ouali, Yassine, et al.
Veröffentlicht: (2024)

Aligned Unsupervised Pretraining of Object Detectors with Self-training
von: Metaxas, Ioannis Maniadis, et al.
Veröffentlicht: (2023)

Post-pre-training for Modality Alignment in Vision-Language Foundation Models
von: Yamaguchi, Shin'ya, et al.
Veröffentlicht: (2025)

LAFS: Landmark-based Facial Self-supervised Learning for Face Recognition
von: Sun, Zhonglin, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Evaluation for Vision-Language Models
von: Kostumov, Vasily, et al.
Veröffentlicht: (2024)

You Only Need One Step: Fast Super-Resolution with Stable Diffusion via Scale Distillation
von: Noroozi, Mehdi, et al.
Veröffentlicht: (2024)

Knowledge Distillation Meets Open-Set Semi-Supervised Learning
von: Yang, Jing, et al.
Veröffentlicht: (2022)

Hierarchical Image Tokenization for Multi-Scale Image Super Resolution
von: Hadji, Isma, et al.
Veröffentlicht: (2026)

DiffusionAct: Controllable Diffusion Autoencoder for One-shot Face Reenactment
von: Bounareli, Stella, et al.
Veröffentlicht: (2024)

PRE: Vision-Language Prompt Learning with Reparameterization Encoder
von: Pham, Thi Minh Anh, et al.
Veröffentlicht: (2023)

See and Fix the Flaws: Enabling VLMs and Diffusion Models to Comprehend Visual Artifacts via Agentic Data Synthesis
von: Park, Jaehyun, et al.
Veröffentlicht: (2026)

Multi-scale Image Super Resolution with a Single Auto-Regressive Model
von: Sanchez, Enrique, et al.
Veröffentlicht: (2025)

Vision-Language Models display a strong gender bias
von: Konavoor, Aiswarya, et al.
Veröffentlicht: (2025)

Hidden Clones: Exposing and Fixing Family Bias in Vision-Language Model Ensembles
von: Bugaud, Zacharie
Veröffentlicht: (2026)

MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models
von: Liu, Shengyuan, et al.
Veröffentlicht: (2026)

MAFA: Managing False Negatives for Vision-Language Pre-training
von: Byun, Jaeseok, et al.
Veröffentlicht: (2023)

Lost in Space: Probing Fine-grained Spatial Understanding in Vision and Language Resamplers
von: Pantazopoulos, Georgios, et al.
Veröffentlicht: (2024)

Language-assisted Vision Model Debugger: A Sample-Free Approach to Finding and Fixing Bugs
von: Jiang, Chaoquan, et al.
Veröffentlicht: (2023)

Do Pre-trained Vision-Language Models Encode Object States?
von: Newman, Kaleb, et al.
Veröffentlicht: (2024)

Self-supervised pre-training with diffusion model for few-shot landmark detection in x-ray images
von: Di Via, Roberto, et al.
Veröffentlicht: (2024)

Multiscale Vision Transformers meet Bipartite Matching for efficient single-stage Action Localization
von: Ntinou, Ioanna, et al.
Veröffentlicht: (2023)

VLA-Forget: Vision-Language-Action Unlearning for Embodied Foundation Models
von: Ranjan, Ravi, et al.
Veröffentlicht: (2026)

Merlin: A Computed Tomography Vision-Language Foundation Model and Dataset
von: Blankemeier, Louis, et al.
Veröffentlicht: (2024)

FAM Diffusion: Frequency and Attention Modulation for High-Resolution Image Generation with Stable Diffusion
von: Yang, Haosen, et al.
Veröffentlicht: (2024)

More Images, More Problems? A Controlled Analysis of VLM Failure Modes
von: Das, Anurag, et al.
Veröffentlicht: (2026)

Efficient Vision-and-Language Pre-training with Text-Relevant Image Patch Selection
von: Ye, Wei, et al.
Veröffentlicht: (2024)

Can Medical Vision-Language Pre-training Succeed with Purely Synthetic Data?
von: Liu, Che, et al.
Veröffentlicht: (2024)

SocialFusion: Addressing Social Degradation in Pre-trained Vision-Language Models
von: Tahboub, Hamza, et al.
Veröffentlicht: (2025)

DART: A Vision-Language Foundation Model for Comprehensive Rope Condition Monitoring
von: Rani, Anju, et al.
Veröffentlicht: (2026)

SARVLM: A Vision Language Foundation Model for Semantic Understanding in SAR Imagery
von: Ma, Qiwei, et al.
Veröffentlicht: (2025)

AquaticCLIP: A Vision-Language Foundation Model for Underwater Scene Analysis
von: Alawode, Basit, et al.
Veröffentlicht: (2025)

On the Utility of Foundation Models for Fast MRI: Vision-Language-Guided Image Reconstruction
von: Feng, Ruimin, et al.
Veröffentlicht: (2025)

FloodVision: Urban Flood Depth Estimation Using Foundation Vision-Language Models and Domain Knowledge Graph
von: Liu, Zhangding, et al.
Veröffentlicht: (2025)

A Vision-Language Foundation Model for Zero-shot Clinical Collaboration and Automated Concept Discovery in Dermatology
von: Yan, Siyuan, et al.
Veröffentlicht: (2026)

Conjugated Semantic Pool Improves OOD Detection with Pre-trained Vision-Language Models
von: Chen, Mengyuan, et al.
Veröffentlicht: (2024)

TRIPS: Efficient Vision-and-Language Pre-training with Text-Relevant Image Patch Selection
von: Jiang, Chaoya, et al.
Veröffentlicht: (2023)