Buchumschlag

Video Prediction Models as General Visual Encoders

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Maier, James, Mohankumar, Nishanth
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

Contextual Encoder-Decoder Network for Visual Saliency Prediction
von: Kroner, Alexander, et al.
Veröffentlicht: (2019)

Unifying Specialized Visual Encoders for Video Language Models
von: Chung, Jihoon, et al.
Veröffentlicht: (2025)

VideoPrism: A Foundational Visual Encoder for Video Understanding
von: Zhao, Long, et al.
Veröffentlicht: (2024)

Video-Panda: Parameter-efficient Alignment for Encoder-free Video-Language Models
von: Yi, Jinhui, et al.
Veröffentlicht: (2024)

Visual Environment Assessment for Safe Autonomous Quadrotor Landing
von: Secchiero, Mattia, et al.
Veröffentlicht: (2023)

CharGen: High Accurate Character-Level Visual Text Generation Model with MultiModal Encoder
von: Ma, Lichen, et al.
Veröffentlicht: (2024)

VideoGPT+: Integrating Image and Video Encoders for Enhanced Video Understanding
von: Maaz, Muhammad, et al.
Veröffentlicht: (2024)

G$^2$TR: Generation-Guided Visual Token Reduction for Separate-Encoder Unified Multimodal Models
von: Li, Junxian, et al.
Veröffentlicht: (2026)

Attention Based Encoder Decoder Model for Video Captioning in Nepali (2023)
von: Parajuli, Kabita, et al.
Veröffentlicht: (2023)

AlignTok: Aligning Visual Foundation Encoders to Tokenizers for Diffusion Models
von: Chen, Bowei, et al.
Veröffentlicht: (2025)

Text-Audio-Visual-conditioned Diffusion Model for Video Saliency Prediction
von: Yu, Li, et al.
Veröffentlicht: (2025)

OpenVision 2: A Family of Generative Pretrained Visual Encoders for Multimodal Learning
von: Liu, Yanqing, et al.
Veröffentlicht: (2025)

ConvLLaVA: Hierarchical Backbones as Visual Encoder for Large Multimodal Models
von: Ge, Chunjiang, et al.
Veröffentlicht: (2024)

Beyond the Encoder: Joint Encoder-Decoder Contrastive Pre-Training Improves Dense Prediction
von: Quetin, Sébastien, et al.
Veröffentlicht: (2025)

Breaking the Encoder Barrier for Seamless Video-Language Understanding
von: Li, Handong, et al.
Veröffentlicht: (2025)

3D Gaussian Point Encoders
von: James, Jim, et al.
Veröffentlicht: (2025)

Rethinking the Mixture of Vision Encoders Paradigm for Enhanced Visual Understanding in Multimodal LLMs
von: Azadani, Mozhgan Nasr, et al.
Veröffentlicht: (2025)

Recognition of Abnormal Events in Surveillance Videos using Weakly Supervised Dual-Encoder Models
von: Tsfaty, Noam, et al.
Veröffentlicht: (2025)

Encoder-Decoder Based Long Short-Term Memory (LSTM) Model for Video Captioning
von: Adewale, Sikiru, et al.
Veröffentlicht: (2023)

From CLIP to DINO: Visual Encoders Shout in Multi-modal Large Language Models
von: Jiang, Dongsheng, et al.
Veröffentlicht: (2023)

Video Generation with Predictive Latents
von: Zhao, Yian, et al.
Veröffentlicht: (2026)

VII: Visual Instruction Injection for Jailbreaking Image-to-Video Generation Models
von: Zheng, Bowen, et al.
Veröffentlicht: (2026)

Leveraging Pre-Trained Visual Models for AI-Generated Video Detection
von: Veeramachaneni, Keerthi, et al.
Veröffentlicht: (2025)

Enhancing Lip Reading with Multi-Scale Video and Multi-Encoder
von: Wang, He, et al.
Veröffentlicht: (2024)

Efficient Reinforcement Learning Through Adaptively Pretrained Visual Encoder
von: Zhang, Yuhan, et al.
Veröffentlicht: (2025)

Image Generation with a Sphere Encoder
von: Yue, Kaiyu, et al.
Veröffentlicht: (2026)

GSE: Evaluating Sticker Visual Semantic Similarity via a General Sticker Encoder
von: Chee, Heng Er Metilda, et al.
Veröffentlicht: (2025)

Relevance-guided Audio Visual Fusion for Video Saliency Prediction
von: Yu, Li, et al.
Veröffentlicht: (2024)

One Layer Is Enough: Adapting Pretrained Visual Encoders for Image Generation
von: Gao, Yuan, et al.
Veröffentlicht: (2025)

Zero-shot Prompt-based Video Encoder for Surgical Gesture Recognition
von: Rao, Mingxing, et al.
Veröffentlicht: (2024)

Visual Prompt Engineering for Vision Language Models in Radiology
von: Denner, Stefan, et al.
Veröffentlicht: (2024)

Omni-Attribute: Open-vocabulary Attribute Encoder for Visual Concept Personalization
von: Chen, Tsai-Shien, et al.
Veröffentlicht: (2025)

Effortless Vision-Language Model Specialization in Histopathology without Annotation
von: Qiu, Jingna, et al.
Veröffentlicht: (2025)

Real-time Video Prediction With Fast Video Interpolation Model and Prediction Training
von: Hirose, Shota, et al.
Veröffentlicht: (2025)

DTFSal: Audio-Visual Dynamic Token Fusion for Video Saliency Prediction
von: Hooshanfar, Kiana, et al.
Veröffentlicht: (2025)

Are Video Generation Models Geographically Fair? An Attraction-Centric Evaluation of Global Visual Knowledge
von: Liu, Xiao, et al.
Veröffentlicht: (2026)

Text-Animator: Controllable Visual Text Video Generation
von: Liu, Lin, et al.
Veröffentlicht: (2024)

Simple Visual Artifact Detection in Sora-Generated Videos
von: Sugiyama, Misora, et al.
Veröffentlicht: (2025)

Efficient Continuous Video Flow Model for Video Prediction
von: Shrivastava, Gaurav, et al.
Veröffentlicht: (2024)

Visual Encoders for Data-Efficient Imitation Learning in Modern Video Games
von: Schäfer, Lukas, et al.
Veröffentlicht: (2023)