Buchumschlag

AWT: Transferring Vision-Language Models via Augmentation, Weighting, and Transportation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Yuhan, Ji, Yuyang, Zhao, Zhiyu, Wu, Gangshan, Wang, Limin
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

Efficient Test-Time Prompt Tuning for Vision-Language Models
von: Zhu, Yuhan, et al.
Veröffentlicht: (2024)

MotionRAG: Motion Retrieval-Augmented Image-to-Video Generation
von: Zhu, Chenhui, et al.
Veröffentlicht: (2025)

Dual DETRs for Multi-Label Temporal Action Detection
von: Zhu, Yuhan, et al.
Veröffentlicht: (2024)

Asymmetric Masked Distillation for Pre-Training Small Foundation Models
von: Zhao, Zhiyu, et al.
Veröffentlicht: (2023)

Joint Modeling of Feature, Correspondence, and a Compressed Memory for Video Object Segmentation
von: Zhang, Jiaming, et al.
Veröffentlicht: (2023)

SportsHHI: A Dataset for Human-Human Interaction Detection in Sports Videos
von: Wu, Tao, et al.
Veröffentlicht: (2024)

MixFormerV2: Efficient Fully Transformer Tracking
von: Cui, Yutao, et al.
Veröffentlicht: (2023)

GLAD: Generative Language-Assisted Visual Tracking for Low-Semantic Templates
von: Luo, Xingyu, et al.
Veröffentlicht: (2026)

STMixer: A One-Stage Sparse Action Detector
von: Wu, Tao, et al.
Veröffentlicht: (2024)

Open-Vocabulary Spatio-Temporal Action Detection
von: Wu, Tao, et al.
Veröffentlicht: (2024)

ZeroI2V: Zero-Cost Adaptation of Pre-trained Transformers from Image to Video
von: Li, Xinhao, et al.
Veröffentlicht: (2023)

Towards Highly Transferable Vision-Language Attack via Semantic-Augmented Dynamic Contrastive Interaction
von: Li, Yuanbo, et al.
Veröffentlicht: (2026)

From 3D Pose to Prose: Biomechanics-Grounded Vision--Language Coaching
von: Ji, Yuyang, et al.
Veröffentlicht: (2026)

Attention! Your Vision Language Model Could Be Maliciously Manipulated
von: Wang, Xiaosen, et al.
Veröffentlicht: (2025)

VL-UniTrack: A Unified Framework with Visual-Language Prompts for UAV-Ground Visual Tracking
von: Xu, Boyue, et al.
Veröffentlicht: (2026)

RS-OOD: A Vision-Language Augmented Framework for Out-of-Distribution Detection in Remote Sensing
von: Wang, Chenhao, et al.
Veröffentlicht: (2025)

RGB-D Video Object Segmentation via Enhanced Multi-store Feature Memory
von: Xu, Boyue, et al.
Veröffentlicht: (2025)

Motion-Aware Generative Frame Interpolation
von: Zhang, Guozhen, et al.
Veröffentlicht: (2025)

Griffon-G: Bridging Vision-Language and Vision-Centric Tasks via Large Multimodal Models
von: Zhan, Yufei, et al.
Veröffentlicht: (2024)

CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning
von: Yang, Jiange, et al.
Veröffentlicht: (2025)

MeMOTR: Long-Term Memory-Augmented Transformer for Multi-Object Tracking
von: Gao, Ruopeng, et al.
Veröffentlicht: (2023)

Reasoning Guided Embeddings: Leveraging MLLM Reasoning for Improved Multimodal Retrieval
von: Liu, Chunxu, et al.
Veröffentlicht: (2025)

Enhancing Continual Learning of Vision-Language Models via Dynamic Prefix Weighting
von: Jang, Hyeonseo, et al.
Veröffentlicht: (2026)

Effectively Enhancing Vision Language Large Models by Prompt Augmentation and Caption Utilization
von: Zhao, Minyi, et al.
Veröffentlicht: (2024)

ArchMap: Arch-Flattening and Knowledge-Guided Vision Language Model for Tooth Counting and Structured Dental Understanding
von: Zhang, Bohan, et al.
Veröffentlicht: (2025)

ToVE: Efficient Vision-Language Learning via Knowledge Transfer from Vision Experts
von: Wu, Yuanchen, et al.
Veröffentlicht: (2025)

Impromptu VLA: Open Weights and Open Data for Driving Vision-Language-Action Models
von: Chi, Haohan, et al.
Veröffentlicht: (2025)

Principled Steering via Null-space Projection for Jailbreak Defense in Vision-Language Models
von: Zhu, Xingyu, et al.
Veröffentlicht: (2026)

GLIMPSE: Do Large Vision-Language Models Truly Think With Videos or Just Glimpse at Them?
von: Zhou, Yiyang, et al.
Veröffentlicht: (2025)

AIGCs Confuse AI Too: Investigating and Explaining Synthetic Image-induced Hallucinations in Large Vision-Language Models
von: Gao, Yifei, et al.
Veröffentlicht: (2024)

VMonarch: Efficient Video Diffusion Transformers with Structured Attention
von: Liang, Cheng, et al.
Veröffentlicht: (2026)

Unifying Visual and Vision-Language Tracking via Contrastive Learning
von: Ma, Yinchao, et al.
Veröffentlicht: (2024)

Pure-Pass: Fine-Grained, Adaptive Masking for Dynamic Token-Mixing Routing in Lightweight Image Super-Resolution
von: Wu, Junyu, et al.
Veröffentlicht: (2025)

Bridging Vision and Language: Optimal Transport-Driven Radiology Report Generation via LLMs
von: Zhao, Haifeng, et al.
Veröffentlicht: (2025)

Evaluating and Analyzing Relationship Hallucinations in Large Vision-Language Models
von: Wu, Mingrui, et al.
Veröffentlicht: (2024)

Hierarchical Semantic-Augmented Navigation: Optimal Transport and Graph-Driven Reasoning for Vision-Language Navigation
von: Fang, Xiang, et al.
Veröffentlicht: (2026)

VPTracker: Global Vision-Language Tracking via Visual Prompt
von: Wang, Jingchao, et al.
Veröffentlicht: (2025)

IBD: Alleviating Hallucinations in Large Vision-Language Models via Image-Biased Decoding
von: Zhu, Lanyun, et al.
Veröffentlicht: (2024)

Do Vision Models Develop Human-Like Progressive Difficulty Understanding?
von: Huang, Zeyi, et al.
Veröffentlicht: (2025)

KAN-SAM: Kolmogorov-Arnold Network Guided Segment Anything Model for RGB-T Salient Object Detection
von: Li, Xingyuan, et al.
Veröffentlicht: (2025)