Buchumschlag

Tell Me What's Next: Textual Foresight for Generic UI Representations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Burns, Andrea, Saenko, Kate, Plummer, Bryan A.
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

From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition
von: Qraitem, Maan, et al.
Veröffentlicht: (2023)

Scaling Up Temporal Domain Generalization via Temporal Experts Averaging
von: Liu, Aoming, et al.
Veröffentlicht: (2025)

SLANT: Spurious Logo ANalysis Toolkit
von: Qraitem, Maan, et al.
Veröffentlicht: (2024)

Web Artifact Attacks Disrupt Vision Language Models
von: Qraitem, Maan, et al.
Veröffentlicht: (2025)

ERM++: An Improved Baseline for Domain Generalization
von: Teterwak, Piotr, et al.
Veröffentlicht: (2023)

Is Large-Scale Pretraining the Secret to Good Domain Generalization?
von: Teterwak, Piotr, et al.
Veröffentlicht: (2024)

OP-LoRA: The Blessing of Dimensionality
von: Teterwak, Piotr, et al.
Veröffentlicht: (2024)

CLAMP: Contrastive LAnguage Model Prompt-tuning
von: Teterwak, Piotr, et al.
Veröffentlicht: (2023)

Vision-LLMs Can Fool Themselves with Self-Generated Typographic Attacks
von: Qraitem, Maan, et al.
Veröffentlicht: (2024)

Koala: Key frame-conditioned long video-LLM
von: Tan, Reuben, et al.
Veröffentlicht: (2024)

Breaking the Assistant Mold: Modeling Behavioral Variation in LLM Based Procedural Character Generation
von: Qraitem, Maan, et al.
Veröffentlicht: (2026)

Walk and Read Less: Improving the Efficiency of Vision-and-Language Navigation via Tuning-Free Multimodal Token Pruning
von: Qin, Wenda, et al.
Veröffentlicht: (2025)

Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
von: You, Keen, et al.
Veröffentlicht: (2024)

Beyond the Textual: Generating Coherent Visual Options for MCQs
von: Wang, Wanqiang, et al.
Veröffentlicht: (2025)

Unleashing Spatial Reasoning in Multimodal Large Language Models via Textual Representation Guided Reasoning
von: Hua, Jiacheng, et al.
Veröffentlicht: (2026)

Fool Me Once? Contrasting Textual and Visual Explanations in a Clinical Decision-Support Setting
von: Kayser, Maxime, et al.
Veröffentlicht: (2024)

ComfyUI-Copilot: An Intelligent Assistant for Automated Workflow Development
von: Xu, Zhenran, et al.
Veröffentlicht: (2025)

LAViTeR: Learning Aligned Visual and Textual Representations Assisted by Image and Caption Generation
von: Hashemi, Mohammad Abuzar, et al.
Veröffentlicht: (2021)

Mull-Tokens: Modality-Agnostic Latent Thinking
von: Ray, Arijit, et al.
Veröffentlicht: (2025)

Diffusion Is Your Friend in Show, Suggest and Tell
von: Hu, Jia Cheng, et al.
Veröffentlicht: (2025)

ComfyUI-R1: Exploring Reasoning Models for Workflow Generation
von: Xu, Zhenran, et al.
Veröffentlicht: (2025)

LNL+K: Enhancing Learning with Noisy Labels Through Noise Source Knowledge Integration
von: Wang, Siqi, et al.
Veröffentlicht: (2023)

Towards Mitigating Hallucinations in Large Vision-Language Models by Refining Textual Embeddings
von: Agrawal, Aakriti, et al.
Veröffentlicht: (2025)

MS4UI: A Dataset for Multi-modal Summarization of User Interface Instructional Videos
von: Zang, Yuan, et al.
Veröffentlicht: (2025)

Tell Me Without Telling Me: Two-Way Prediction of Visualization Literacy and Visual Attention
von: Chang, Minsuk, et al.
Veröffentlicht: (2025)

CLEAR: Character Unlearning in Textual and Visual Modalities
von: Dontsov, Alexey, et al.
Veröffentlicht: (2024)

TRACE: Textual Relevance Augmentation and Contextual Encoding for Multimodal Hate Detection
von: Koushik, Girish A., et al.
Veröffentlicht: (2025)

Concept Arithmetics for Circumventing Concept Inhibition in Diffusion Models
von: Petsiuk, Vitali, et al.
Veröffentlicht: (2024)

LogogramNLP: Comparing Visual and Textual Representations of Ancient Logographic Writing Systems for NLP
von: Chen, Danlu, et al.
Veröffentlicht: (2024)

Morae: Proactively Pausing UI Agents for User Choices
von: Peng, Yi-Hao, et al.
Veröffentlicht: (2025)

Thinking-while-Generating: Interleaving Textual Reasoning throughout Visual Generation
von: Guo, Ziyu, et al.
Veröffentlicht: (2025)

A Similarity Paradigm Through Textual Regularization Without Forgetting
von: Cui, Fangming, et al.
Veröffentlicht: (2025)

Mismatch Quest: Visual and Textual Feedback for Image-Text Misalignment
von: Gordon, Brian, et al.
Veröffentlicht: (2023)

Noise-Aware Generalization: Robustness to In-Domain Noise and Out-of-Domain Generalization
von: Wang, Siqi, et al.
Veröffentlicht: (2025)

SCRAMBLe : Enhancing Multimodal LLM Compositionality with Synthetic Preference Data
von: Mishra, Samarth, et al.
Veröffentlicht: (2025)

FocusUI: Efficient UI Grounding via Position-Preserving Visual Token Selection
von: Ouyang, Mingyu, et al.
Veröffentlicht: (2026)

Efficient Personalized Text-to-image Generation by Leveraging Textual Subspace
von: Du, Shian, et al.
Veröffentlicht: (2024)

Image Textualization: An Automatic Framework for Creating Accurate and Detailed Image Descriptions
von: Pi, Renjie, et al.
Veröffentlicht: (2024)

On the Risk of Misleading Reports: Diagnosing Textual Biases in Multimodal Clinical AI
von: Restrepo, David, et al.
Veröffentlicht: (2025)

UI-Zoomer: Uncertainty-Driven Adaptive Zoom-In for GUI Grounding
von: Tang, Fei, et al.
Veröffentlicht: (2026)