Buchumschlag

An Efficient and Explanatory Image and Text Clustering System with Multimodal Autoencoder Architecture

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shi, Tiancheng, Wei, Yuanchen, Kender, John R.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Multimedia Artificial Intelligence 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

STIV: Scalable Text and Image Conditioned Video Generation
von: Lin, Zongyu, et al.
Veröffentlicht: (2024)

SILMM: Self-Improving Large Multimodal Models for Compositional Text-to-Image Generation
von: Qu, Leigang, et al.
Veröffentlicht: (2024)

TIGeR: Unifying Text-to-Image Generation and Retrieval with Large Multimodal Models
von: Qu, Leigang, et al.
Veröffentlicht: (2024)

MMPareto: Boosting Multimodal Learning with Innocent Unimodal Assistance
von: Wei, Yake, et al.
Veröffentlicht: (2024)

On-the-fly Modulation for Balanced Multimodal Learning
von: Wei, Yake, et al.
Veröffentlicht: (2024)

Contrastive Regularization over LoRA for Multimodal Biomedical Image Incremental Learning
von: Zhang, Haojie, et al.
Veröffentlicht: (2025)

CVSearch: Empowering Multimodal LLMs with Cognitive Visual Search for High-Resolution Image Perception
von: Li, Liupeng, et al.
Veröffentlicht: (2026)

Evaluating Text-to-Visual Generation with Image-to-Text Generation
von: Lin, Zhiqiu, et al.
Veröffentlicht: (2024)

Text Slider: Efficient and Plug-and-Play Continuous Concept Control for Image/Video Synthesis via LoRA Adapters
von: Chiu, Pin-Yen, et al.
Veröffentlicht: (2025)

Deciphering Personalization: Towards Fine-Grained Explainability in Natural Language for Personalized Image Generation Models
von: Wang, Haoming, et al.
Veröffentlicht: (2025)

Minecraft-ify: Minecraft Style Image Generation with Text-guided Image Editing for In-Game Application
von: Kim, Bumsoo, et al.
Veröffentlicht: (2024)

Emu Video: Factorizing Text-to-Video Generation by Explicit Image Conditioning
von: Girdhar, Rohit, et al.
Veröffentlicht: (2023)

Multi-layer Learnable Attention Mask for Multimodal Tasks
von: Barrios, Wayner, et al.
Veröffentlicht: (2024)

Scaling Spatial Intelligence with Multimodal Foundation Models
von: Cai, Zhongang, et al.
Veröffentlicht: (2025)

HaloQuest: A Visual Hallucination Dataset for Advancing Multimodal Reasoning
von: Wang, Zhecan, et al.
Veröffentlicht: (2024)

End-to-end Semantic-centric Video-based Multimodal Affective Computing
von: Lin, Ronghao, et al.
Veröffentlicht: (2024)

Evaluating Semantic Variation in Text-to-Image Synthesis: A Causal Perspective
von: Zhu, Xiangru, et al.
Veröffentlicht: (2024)

Integrating Large Language Models into a Tri-Modal Architecture for Automated Depression Classification on the DAIC-WOZ
von: Patapati, Santosh V.
Veröffentlicht: (2024)

Are We Making Progress in Multimodal Domain Generalization? A Comprehensive Benchmark Study
von: Dong, Hao, et al.
Veröffentlicht: (2026)

InteractiveVideo: User-Centric Controllable Video Generation with Synergistic Multimodal Instructions
von: Zhang, Yiyuan, et al.
Veröffentlicht: (2024)

TbExplain: A Text-based Explanation Method for Scene Classification Models with the Statistical Prediction Correction
von: Aminimehr, Amirhossein, et al.
Veröffentlicht: (2023)

Control-A-Video: Controllable Text-to-Video Diffusion Models with Motion Prior and Reward Feedback Learning
von: Chen, Weifeng, et al.
Veröffentlicht: (2023)

Instant3D: Instant Text-to-3D Generation
von: Li, Ming, et al.
Veröffentlicht: (2023)

Embedding an Ethical Mind: Aligning Text-to-Image Synthesis via Lightweight Value Optimization
von: Wang, Xingqi, et al.
Veröffentlicht: (2024)

ADS-Edit: A Multimodal Knowledge Editing Dataset for Autonomous Driving Systems
von: Wang, Chenxi, et al.
Veröffentlicht: (2025)

A Low-Resolution Image is Worth 1x1 Words: Enabling Fine Image Super-Resolution with Transformers and TaylorShift
von: Nagaraju, Sanath Budakegowdanadoddi, et al.
Veröffentlicht: (2024)

Meta-CoT: Enhancing Granularity and Generalization in Image Editing
von: Zhang, Shiyi, et al.
Veröffentlicht: (2026)

SIDA: Synthetic Image Driven Zero-shot Domain Adaptation
von: Kim, Ye-Chan, et al.
Veröffentlicht: (2025)

Diffusion Models, Image Super-Resolution And Everything: A Survey
von: Moser, Brian B., et al.
Veröffentlicht: (2024)

Low-Resolution Face Recognition via Adaptable Instance-Relation Distillation
von: Shi, Ruixin, et al.
Veröffentlicht: (2024)

COMODO: Cross-Modal Video-to-IMU Distillation for Efficient Egocentric Human Activity Recognition
von: Chen, Baiyu, et al.
Veröffentlicht: (2025)

VidCRAFT3: Camera, Object, and Lighting Control for Image-to-Video Generation
von: Zheng, Sixiao, et al.
Veröffentlicht: (2025)

Make VLM Recognize Visual Hallucination on Cartoon Character Image with Pose Information
von: Kim, Bumsoo, et al.
Veröffentlicht: (2024)

NVLM: Open Frontier-Class Multimodal LLMs
von: Dai, Wenliang, et al.
Veröffentlicht: (2024)

Low-Resolution Object Recognition with Cross-Resolution Relational Contrastive Distillation
von: Zhang, Kangkai, et al.
Veröffentlicht: (2024)

Zoomed In, Diffused Out: Towards Local Degradation-Aware Multi-Diffusion for Extreme Image Super-Resolution
von: Moser, Brian B., et al.
Veröffentlicht: (2024)

X-Prompt: Towards Universal In-Context Image Generation in Auto-Regressive Vision Language Foundation Models
von: Sun, Zeyi, et al.
Veröffentlicht: (2024)

Size Matters: Reconstructing Real-Scale 3D Models from Monocular Images for Food Portion Estimation
von: Vinod, Gautham, et al.
Veröffentlicht: (2026)

Continuous Sign Language Recognition System using Deep Learning with MediaPipe Holistic
von: Srivastava, Sharvani, et al.
Veröffentlicht: (2024)

How Do Images Align and Complement LiDAR? Towards a Harmonized Multi-modal 3D Panoptic Segmentation
von: Pan, Yining, et al.
Veröffentlicht: (2025)