Copertina

Multi-Modal Generative Embedding Model

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Ma, Feipeng, Xue, Hongwei, Wang, Guangting, Zhou, Yizhou, Rao, Fengyun, Yan, Shilin, Zhang, Yueyi, Wu, Siying, Shou, Mike Zheng, Sun, Xiaoyan
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Visual Perception by Large Language Model's Weights
di: Ma, Feipeng, et al.
Pubblicazione: (2024)

EE-MLLM: A Data-Efficient and Compute-Efficient Multimodal Large Language Model
di: Ma, Feipeng, et al.
Pubblicazione: (2024)

MMAR: Towards Lossless Multi-Modal Auto-Regressive Probabilistic Modeling
di: Yang, Jian, et al.
Pubblicazione: (2024)

Create Anything Anywhere: Layout-Controllable Personalized Diffusion Model for Multiple Subjects
di: Li, Wei, et al.
Pubblicazione: (2025)

Beyond Chain-of-Thought: Rewrite as a Universal Interface for Generative Multimodal Embeddings
di: Wu, Peixi, et al.
Pubblicazione: (2026)

WeThink: Toward General-purpose Vision-Language Reasoning via Reinforcement Learning
di: Yang, Jie, et al.
Pubblicazione: (2025)

HQ-CLIP: Leveraging Large Vision-Language Models to Create High-Quality Image-Text Datasets and CLIP Models
di: Wei, Zhixiang, et al.
Pubblicazione: (2025)

Automated Movie Generation via Multi-Agent CoT Planning
di: Wu, Weijia, et al.
Pubblicazione: (2025)

MMhops-R1: Multimodal Multi-hop Reasoning
di: Zhang, Tao, et al.
Pubblicazione: (2025)

ObjEmbed: Towards Universal Multimodal Object Embeddings
di: Fu, Shenghao, et al.
Pubblicazione: (2026)

Learning Cross-View Object Correspondence via Cycle-Consistent Mask Prediction
di: Yan, Shannan, et al.
Pubblicazione: (2026)

Multi-human Interactive Talking Dataset
di: Zhu, Zeyu, et al.
Pubblicazione: (2025)

Instruction-Oriented Preference Alignment for Enhancing Multi-Modal Comprehension Capability of MLLMs
di: Wang, Zitian, et al.
Pubblicazione: (2025)

MakeAnything: Harnessing Diffusion Transformers for Multi-Domain Procedural Sequence Generation
di: Song, Yiren, et al.
Pubblicazione: (2025)

Number it: Temporal Grounding Videos like Flipping Manga
di: Wu, Yongliang, et al.
Pubblicazione: (2024)

P-Flow: Prompting Visual Effects Generation
di: Zhao, Rui, et al.
Pubblicazione: (2026)

Anatomical Consistency Distillation and Inconsistency Synthesis for Brain Tumor Segmentation with Missing Modalities
di: Zhang, Zheyu, et al.
Pubblicazione: (2024)

Exploring a Unified Vision-Centric Contrastive Alternatives on Multi-Modal Web Documents
di: Lin, Yiqi, et al.
Pubblicazione: (2025)

Scene Adaptive Sparse Transformer for Event-based Object Detection
di: Peng, Yansong, et al.
Pubblicazione: (2024)

SSCM: A Spatial-Semantic Consistent Model for Multi-Contrast MRI Super-Resolution
di: Wu, Xiaoman, et al.
Pubblicazione: (2025)

Deep Multi-Threshold Spiking-UNet for Image Processing
di: Li, Hebei, et al.
Pubblicazione: (2023)

Leveraging Visual Tokens for Extended Text Contexts in Multi-Modal Learning
di: Wang, Alex Jinpeng, et al.
Pubblicazione: (2024)

VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
di: Lin, Kevin Qinghong, et al.
Pubblicazione: (2025)

Spatial-Semantic Collaborative Cropping for User Generated Content
di: Su, Yukun, et al.
Pubblicazione: (2024)

D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement
di: Peng, Yansong, et al.
Pubblicazione: (2024)

EvTexture: Event-driven Texture Enhancement for Video Super-Resolution
di: Kai, Dachun, et al.
Pubblicazione: (2024)

DoraCycle: Domain-Oriented Adaptation of Unified Generative Model in Multimodal Cycles
di: Zhao, Rui, et al.
Pubblicazione: (2025)

Genixer: Empowering Multimodal Large Language Models as a Powerful Data Generator
di: Zhao, Henry Hengyuan, et al.
Pubblicazione: (2023)

ReGenNet: Towards Human Action-Reaction Synthesis
di: Xu, Liang, et al.
Pubblicazione: (2024)

Beyond Scattered Acceptance: Fast and Coherent Inference for DLMs via Longest Stable Prefixes
di: Li, Pengxiang, et al.
Pubblicazione: (2026)

TPDiff: Temporal Pyramid Video Diffusion Model
di: Ran, Lingmin, et al.
Pubblicazione: (2025)

D-AR: Diffusion via Autoregressive Models
di: Gao, Ziteng, et al.
Pubblicazione: (2025)

Ego-centric Predictive Model Conditioned on Hand Trajectories
di: Zhang, Binjie, et al.
Pubblicazione: (2025)

ViT-Lens: Initiating Omni-Modal Exploration through 3D Insights
di: Lei, Weixian, et al.
Pubblicazione: (2023)

WAVE: Learning Unified & Versatile Audio-Visual Embeddings with Multimodal LLM
di: Tang, Changli, et al.
Pubblicazione: (2025)

R1-Onevision: Advancing Generalized Multimodal Reasoning through Cross-Modal Formalization
di: Yang, Yi, et al.
Pubblicazione: (2025)

RingID: Rethinking Tree-Ring Watermarking for Enhanced Multi-Key Identification
di: Ci, Hai, et al.
Pubblicazione: (2024)

Mitty: Diffusion-based Human-to-Robot Video Generation
di: Song, Yiren, et al.
Pubblicazione: (2025)

OmniPSD: Layered PSD Generation with Diffusion Transformer
di: Liu, Cheng, et al.
Pubblicazione: (2025)

StreamingEffect: Real-Time Human-Centric Video Effect Generation
di: Song, Yiren, et al.
Pubblicazione: (2026)