Buchumschlag

LLaRA: Supercharging Robot Learning Data for Vision-Language Policy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Xiang, Mata, Cristina, Park, Jongwoo, Kahatapitiya, Kumara, Jang, Yoo Sung, Shang, Jinghuan, Ranasinghe, Kanchana, Burgert, Ryan, Cai, Mu, Lee, Yong Jae, Ryoo, Michael S.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Robotics Artificial Intelligence Computation and Language Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Language Repository for Long Video Understanding
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

Too Many Frames, Not All Useful: Efficient Strategies for Long-Form Video QA
von: Park, Jongwoo, et al.
Veröffentlicht: (2024)

Understanding Long Videos with Multimodal Language Models
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2024)

IVRA: Improving Visual-Token Relations for Robot Action Policy with Training-Free Hint-Based Guidance
von: Park, Jongwoo, et al.
Veröffentlicht: (2026)

Pixel Motion as Universal Representation for Robot Control
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2025)

CoPT: Unsupervised Domain Adaptive Segmentation using Domain-Agnostic Text Embeddings
von: Mata, Cristina, et al.
Veröffentlicht: (2025)

VicTR: Video-conditioned Text Representations for Activity Recognition
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2023)

LLaRA: Large Language-Recommendation Assistant
von: Liao, Jiayi, et al.
Veröffentlicht: (2023)

Pixel Motion Diffusion is What We Need for Robot Control
von: Nguyen, E-Ro, et al.
Veröffentlicht: (2025)

Crossway Diffusion: Improving Diffusion-based Visuomotor Policy via Self-supervised Learning
von: Li, Xiang, et al.
Veröffentlicht: (2023)

LACE: Latent Visual Representation for Cross-Embodiment Learning
von: Jang, Yoo Sung, et al.
Veröffentlicht: (2026)

Learning to Localize Objects Improves Spatial Reasoning in Visual-LLMs
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2024)

Adaptive Caching for Faster Video Generation with Diffusion Transformers
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

xGen-MM-Vid (BLIP-3-Video): You Only Need 32 Tokens to Represent a Video Even in VLMs
von: Ryoo, Michael S., et al.
Veröffentlicht: (2024)

LLaVA-PruMerge: Adaptive Token Reduction for Efficient Large Multimodal Models
von: Shang, Yuzhang, et al.
Veröffentlicht: (2024)

Future Optical Flow Prediction Improves Robot Control & Video Generation
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2026)

LatentCRF: Continuous CRF for Efficient Latent Diffusion
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2024)

Bayesian Principles Improve Prompt Learning In Vision-Language Models
von: Kim, Mingyu, et al.
Veröffentlicht: (2025)

Yo'LLaVA: Your Personalized Language and Vision Assistant
von: Nguyen, Thao, et al.
Veröffentlicht: (2024)

Hierarchical Text-to-Vision Self Supervised Alignment for Improved Histopathology Representation Learning
von: Watawana, Hasindri, et al.
Veröffentlicht: (2024)

MotionV2V: Editing Motion in a Video
von: Burgert, Ryan, et al.
Veröffentlicht: (2025)

Robotic VLA Benefits from Joint Learning with Motion Image Diffusion
von: Fang, Yu, et al.
Veröffentlicht: (2025)

Object-Centric Diffusion for Efficient Video Editing
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

Image Translation with Kernel Prediction Networks for Semantic Segmentation
von: Mata, Cristina, et al.
Veröffentlicht: (2025)

Theia: Distilling Diverse Vision Foundation Models for Robot Learning
von: Shang, Jinghuan, et al.
Veröffentlicht: (2024)

ViP-LLaVA: Making Large Multimodal Models Understand Arbitrary Visual Prompts
von: Cai, Mu, et al.
Veröffentlicht: (2023)

X-LLaVA: Optimizing Bilingual Large Vision-Language Alignment
von: Shin, Dongjae, et al.
Veröffentlicht: (2024)

NAVIS: Concurrent Search and Update with Low Position-Seeking Overhead in On-SSD Graph-Based Vector Search
von: Song, Jaeyong, et al.
Veröffentlicht: (2026)

VisionLLaMA: A Unified LLaMA Backbone for Vision Tasks
von: Chu, Xiangxiang, et al.
Veröffentlicht: (2024)

Supercharging Bayesian Inference with Reliable AI-Informed Priors
von: Choi, Jongwoo, et al.
Veröffentlicht: (2026)

First Logit Boosting: Visual Grounding Method to Mitigate Object Hallucination in Large Vision-Language Models
von: Ha, Jiwoo, et al.
Veröffentlicht: (2026)

LoraMap: Harnessing the Power of LoRA Connections
von: Park, Hyeryun, et al.
Veröffentlicht: (2024)

CoLLaVO: Crayon Large Language and Vision mOdel
von: Lee, Byung-Kwan, et al.
Veröffentlicht: (2024)

Vision as LoRA
von: Wang, Han, et al.
Veröffentlicht: (2025)

Estimating Physical Information Consistency of Channel Data Augmentation for Remote Sensing Images
von: Burgert, Tom, et al.
Veröffentlicht: (2024)

Sceniris: A Fast Procedural Scene Generation Framework
von: Shang, Jinghuan, et al.
Veröffentlicht: (2025)

Continual Learning with Global Alignment
von: Bai, Xueying, et al.
Veröffentlicht: (2022)

LC-Flow: Learning Local Continuous Optical Flow and Confidence from events
von: Jeon, Gunwoo, et al.
Veröffentlicht: (2026)

HeightLane: BEV Heightmap guided 3D Lane Detection
von: Park, Chaesong, et al.
Veröffentlicht: (2024)

Supercharging Floorplan Localization with Semantic Rays
von: Grader, Yuval, et al.
Veröffentlicht: (2025)