Buchumschlag

ParGo: Bridging Vision-Language with Partial and Global Views

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, An-Lan, Shan, Bin, Shi, Wei, Lin, Kun-Yu, Fei, Xiang, Tang, Guozhi, Liao, Lei, Huang, Can, Tang, Jingqun, Zheng, Wei-Shi
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

MCTBench: Multimodal Cognition towards Text-Rich Visual Scenes Benchmark
von: Shan, Bin, et al.
Veröffentlicht: (2024)

Therapeutic strategies for aberrant splicing in cancer and genetic disorders
von: Wenhua Shi, et al.
Veröffentlicht: (2024)

Benchmarking Vision-Language Models on Chinese Ancient Documents: From OCR to Knowledge Reasoning
von: Yu, Haiyang, et al.
Veröffentlicht: (2025)

Advancing Sequential Numerical Prediction in Autoregressive Models
von: Fei, Xiang, et al.
Veröffentlicht: (2025)

Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting
von: Feng, Hao, et al.
Veröffentlicht: (2025)

Dolphin-v2: Universal Document Parsing via Scalable Anchor Prompting
von: Feng, Hao, et al.
Veröffentlicht: (2026)

ProFocus: Proactive Perception and Focused Reasoning in Vision-and-Language Navigation
von: Xue, Wei, et al.
Veröffentlicht: (2026)

Prolonged Reasoning Is Not All You Need: Certainty-Based Adaptive Routing for Efficient LLM/MLLM Reasoning
von: Lu, Jinghui, et al.
Veröffentlicht: (2025)

WildDoc: How Far Are We from Achieving Comprehensive and Robust Document Understanding in the Wild?
von: Wang, An-Lan, et al.
Veröffentlicht: (2025)

Partial confinement in a quantum-link simulator
von: Tang, Zheng, et al.
Veröffentlicht: (2024)

Unleashing the Power of Vision-Language Models for Long-Tailed Multi-Label Visual Recognition
von: Tang, Wei, et al.
Veröffentlicht: (2025)

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

DTP: A Simple yet Effective Distracting Token Pruning Framework for Vision-Language Action Models
von: Li, Chenyang, et al.
Veröffentlicht: (2026)

Can National ESG Inhibit the Impact of Extreme Climate on Global Financial Risks?
von: Haonan Wang, et al.
Veröffentlicht: (2025)

Geo-EVS: Geometry-Conditioned Extrapolative View Synthesis for Autonomous Driving
von: Lan, Yatong, et al.
Veröffentlicht: (2026)

Post-Completion Learning for Language Models
von: Fei, Xiang, et al.
Veröffentlicht: (2025)

MEML-GRPO: Heterogeneous Multi-Expert Mutual Learning for RLVR Advancement
von: Jia, Weitao, et al.
Veröffentlicht: (2025)

PRET: Planning with Directed Fidelity Trajectory for Vision and Language Navigation
von: Lu, Renjie, et al.
Veröffentlicht: (2024)

Bi-VLDoc: Bidirectional Vision-Language Modeling for Visually-Rich Document Understanding
von: Luo, Chuwei, et al.
Veröffentlicht: (2022)

ChineseVideoBench: Benchmarking Multi-modal Large Models for Chinese Video Question Answering
von: Nie, Yuxiang, et al.
Veröffentlicht: (2025)

ParsTranslit: Truly Versatile Tajik-Farsi Transliteration
von: Merchant, Rayyan, et al.
Veröffentlicht: (2025)

PacTure: Efficient PBR Texture Generation on Packed Views with Visual Autoregressive Models
von: Fei, Fan, et al.
Veröffentlicht: (2025)

TextSquare: Scaling up Text-Centric Visual Instruction Tuning
von: Tang, Jingqun, et al.
Veröffentlicht: (2024)

Token Reduction Should Go Beyond Efficiency in Generative Models -- From Vision, Language to Multimodality
von: Kong, Zhenglun, et al.
Veröffentlicht: (2025)

TextPecker: Rewarding Structural Anomaly Quantification for Enhancing Visual Text Rendering
von: Zhu, Hanshen, et al.
Veröffentlicht: (2026)

Human-Centric Transformer for Domain Adaptive Action Recognition
von: Lin, Kun-Yu, et al.
Veröffentlicht: (2024)

AerialGo: Walking-through City View Generation from Aerial Perspectives
von: Zhao, Fuqiang, et al.
Veröffentlicht: (2024)

Fluctuations of topological charges in two-dimensional classical Heisenberg model
von: Tang, Shan-Chang, et al.
Veröffentlicht: (2025)

HiGPT: Heterogeneous Graph Language Model
von: Tang, Jiabin, et al.
Veröffentlicht: (2024)

SYMPHONY: Synergistic Multi-agent Planning with Heterogeneous Language Model Assembly
von: Zhu, Wei, et al.
Veröffentlicht: (2026)

TabPedia: Towards Comprehensive Visual Table Understanding with Concept Synergy
von: Zhao, Weichao, et al.
Veröffentlicht: (2024)

Global Maximum Principle for Partially Observed Risk-Sensitive Progressive Optimal Control of FBSDE with Poisson Jumps
von: Lin, Jingtao, et al.
Veröffentlicht: (2025)

Non-RS type cyclic MDS codes over finite fields via cyclotomic field reduction
von: Xiang, Can, et al.
Veröffentlicht: (2026)

Discontinuous Galerkin methods for the Laplace-Beltrami operator on point cloud
von: Dong, Guozhi, et al.
Veröffentlicht: (2020)

Task-Oriented 6-DoF Grasp Pose Detection in Clutters
von: Wang, An-Lan, et al.
Veröffentlicht: (2025)

TechCoach: Towards Technical-Point-Aware Descriptive Action Coaching
von: Li, Yuan-Ming, et al.
Veröffentlicht: (2024)

Single-View Scene Point Cloud Human Grasp Generation
von: Wang, Yan-Kang, et al.
Veröffentlicht: (2024)

GoLF-NRT: Integrating Global Context and Local Geometry for Few-Shot View Synthesis
von: Wang, You, et al.
Veröffentlicht: (2025)

Harmonizing Visual Text Comprehension and Generation
von: Zhao, Zhen, et al.
Veröffentlicht: (2024)

ReViP: Mitigating False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance
von: Li, Zhuohao, et al.
Veröffentlicht: (2026)