Buchumschlag

GroupMamba: Efficient Group-Based Visual State Space Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shaker, Abdelrahman, Wasim, Syed Talal, Khan, Salman, Gall, Juergen, Khan, Fahad Shahbaz
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 Video Object Segmentation via Modulated Cross-Attention Memory
von: Shaker, Abdelrahman, et al.
Veröffentlicht: (2024)

Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding
von: Wasim, Syed Talal, et al.
Veröffentlicht: (2023)

StableMamba: Distillation-free Scaling of Large SSMs for Images and Videos
von: Suleman, Hamid, et al.
Veröffentlicht: (2024)

Mobile-VideoGPT: Fast and Accurate Model for Mobile Video Understanding
von: Shaker, Abdelrahman, et al.
Veröffentlicht: (2025)

UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation
von: Shaker, Abdelrahman, et al.
Veröffentlicht: (2022)

Towards Evaluating the Robustness of Visual State Space Models
von: Malik, Hashmat Shadab, et al.
Veröffentlicht: (2024)

Learnable Weight Initialization for Volumetric Medical Image Segmentation
von: Kunhimon, Shahina, et al.
Veröffentlicht: (2023)

WorldCache: Content-Aware Caching for Accelerated Video World Models
von: Nawaz, Umair, et al.
Veröffentlicht: (2026)

Diversity Has Always Been There in Your Visual Autoregressive Models
von: Wang, Tong, et al.
Veröffentlicht: (2025)

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

VideoMathQA: Benchmarking Mathematical Reasoning via Multimodal Understanding in Videos
von: Rasheed, Hanoona, et al.
Veröffentlicht: (2025)

VideoMolmo: Spatio-Temporal Grounding Meets Pointing
von: Ahmad, Ghazi Shazan, et al.
Veröffentlicht: (2025)

MixANT: Observation-dependent Memory Propagation for Stochastic Dense Action Anticipation
von: Wasim, Syed Talal, et al.
Veröffentlicht: (2025)

XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models
von: Thawakar, Omkar, et al.
Veröffentlicht: (2023)

Vocabulary-free Fine-grained Visual Recognition via Enriched Contextually Grounded Vision-Language Model
von: Demidov, Dmitry, et al.
Veröffentlicht: (2025)

CEPO: RLVR Self-Distillation using Contrastive Evidence Policy Optimization
von: Heakl, Ahmed, et al.
Veröffentlicht: (2026)

MATRIX: Multimodal Agent Tuning for Robust Tool-Use Reasoning
von: Ashraf, Tajamul, et al.
Veröffentlicht: (2025)

Interpretable Zero-Shot Learning with Locally-Aligned Vision-Language Model
von: Chen, Shiming, et al.
Veröffentlicht: (2025)

Video-R2: Reinforcing Consistent and Grounded Reasoning in Multimodal Language Models
von: Maaz, Muhammad, et al.
Veröffentlicht: (2025)

Video-ChatGPT: Towards Detailed Video Understanding via Large Vision and Language Models
von: Maaz, Muhammad, et al.
Veröffentlicht: (2023)

Dual Hyperspectral Mamba for Efficient Spectral Compressive Imaging
von: Dong, Jiahua, et al.
Veröffentlicht: (2024)

FasterVAR: Plug-and-Play Acceleration for Visual Autoregressive Models
von: Li, Senmao, et al.
Veröffentlicht: (2025)

ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection
von: Noman, Mubashir, et al.
Veröffentlicht: (2024)

Dynamic Pre-training: Towards Efficient and Scalable All-in-One Image Restoration
von: Dudhane, Akshay, et al.
Veröffentlicht: (2024)

Language Guided Domain Generalized Medical Image Segmentation
von: Kunhimon, Shahina, et al.
Veröffentlicht: (2024)

Cross-Modal Self-Training: Aligning Images and Pointclouds to Learn Classification without Labels
von: Dharmasiri, Amaya, et al.
Veröffentlicht: (2024)

EvoLMM: Self-Evolving Large Multimodal Models with Continuous Rewards
von: Thawakar, Omkar, et al.
Veröffentlicht: (2025)

Not All Modalities Are Equal: Instruction-Aware Gating for Multimodal Videos
von: Ding, Bonan, et al.
Veröffentlicht: (2026)

DEFT: Decompositional Efficient Fine-Tuning for Text-to-Image Models
von: Kumar, Komal, et al.
Veröffentlicht: (2025)

AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation
von: Cui, Yuning, et al.
Veröffentlicht: (2024)

VideoGLaMM: A Large Multimodal Model for Pixel-Level Visual Grounding in Videos
von: Munasinghe, Shehan, et al.
Veröffentlicht: (2024)

Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology
von: Malik, Hashmat Shadab, et al.
Veröffentlicht: (2025)

Progressive Semantic-Guided Vision Transformer for Zero-Shot Learning
von: Chen, Shiming, et al.
Veröffentlicht: (2024)

GenZSL: Generative Zero-Shot Learning Via Inductive Variational Autoencoder
von: Chen, Shiming, et al.
Veröffentlicht: (2025)

ObjectCompose: Evaluating Resilience of Vision-Based Models on Object-to-Background Compositional Changes
von: Malik, Hashmat Shadab, et al.
Veröffentlicht: (2024)

Enhancing Novel Object Detection via Cooperative Foundational Models
von: Bharadwaj, Rohit, et al.
Veröffentlicht: (2023)

VURF: A General-purpose Reasoning and Self-refinement Framework for Video Understanding
von: Mahmood, Ahmad, et al.
Veröffentlicht: (2024)

VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs
von: Bharadwaj, Rohit, et al.
Veröffentlicht: (2024)

Mobile-O: Unified Multimodal Understanding and Generation on Mobile Device
von: Shaker, Abdelrahman, et al.
Veröffentlicht: (2026)

PALO: A Polyglot Large Multimodal Model for 5B People
von: Maaz, Muhammad, et al.
Veröffentlicht: (2024)