Buchumschlag

AdaptVision: Dynamic Input Scaling in MLLMs for Versatile Scene Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Yonghui, Zhou, Wengang, Feng, Hao, Li, Houqiang
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

Revisiting Shadow Detection from a Vision-Language Perspective
von: Wang, Yonghui, et al.
Veröffentlicht: (2026)

ROOT: VLM based System for Indoor Scene Understanding and Beyond
von: Wang, Yonghui, et al.
Veröffentlicht: (2024)

TextCoT: Zoom In for Enhanced Multimodal Text-Rich Image Understanding
von: Luan, Bozhi, et al.
Veröffentlicht: (2024)

LaneTCA: Enhancing Video Lane Detection with Temporal Context Aggregation
von: Zhou, Keyi, et al.
Veröffentlicht: (2024)

Motion-aware 3D Gaussian Splatting for Efficient Dynamic Scene Reconstruction
von: Guo, Zhiyang, et al.
Veröffentlicht: (2024)

DocPedia: Unleashing the Power of Large Multimodal Model in the Frequency Domain for Versatile Document Understanding
von: Feng, Hao, et al.
Veröffentlicht: (2023)

Exploiting GPT-4 Vision for Zero-shot Point Cloud Understanding
von: Sun, Qi, et al.
Veröffentlicht: (2024)

SwinShadow: Shifted Window for Ambiguous Adjacent Shadow Detection
von: Wang, Yonghui, et al.
Veröffentlicht: (2024)

Multi-Cue Adaptive Visual Token Pruning for Large Vision-Language Models
von: Luan, Bozhi, et al.
Veröffentlicht: (2025)

Scaling up Multimodal Pre-training for Sign Language Understanding
von: Zhou, Wengang, et al.
Veröffentlicht: (2024)

DocR1: Evidence Page-Guided GRPO for Multi-Page Document Understanding
von: Xiong, Junyu, et al.
Veröffentlicht: (2025)

AdaptVision: Efficient Vision-Language Models via Adaptive Visual Acquisition
von: Lin, Zichuan, et al.
Veröffentlicht: (2025)

Forest2Seq: Revitalizing Order Prior for Sequential Indoor Scene Synthesis
von: Sun, Qi, et al.
Veröffentlicht: (2024)

Uni-Sign: Toward Unified Sign Language Understanding at Scale
von: Li, Zecheng, et al.
Veröffentlicht: (2025)

Progressive Multi-modal Conditional Prompt Tuning
von: Qiu, Xiaoyu, et al.
Veröffentlicht: (2024)

Enhancing the Outcome Reward-based RL Training of MLLMs with Self-Consistency Sampling
von: Wang, Jiahao, et al.
Veröffentlicht: (2025)

RoFIR: Robust Fisheye Image Rectification Framework Impervious to Optical Center Deviation
von: Liao, Zhaokang, et al.
Veröffentlicht: (2024)

ScaleWeaver: Weaving Efficient Controllable T2I Generation with Multi-Scale Reference Attention
von: Liu, Keli, et al.
Veröffentlicht: (2025)

GaussNav: Gaussian Splatting for Visual Navigation
von: Lei, Xiaohan, et al.
Veröffentlicht: (2024)

StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models
von: Liu, Keli, et al.
Veröffentlicht: (2026)

DeepEraser: Deep Iterative Context Mining for Generic Text Eraser
von: Feng, Hao, et al.
Veröffentlicht: (2024)

MotionRL: Align Text-to-Motion Generation to Human Preferences with Multi-Reward Reinforcement Learning
von: Liu, Xiaoyang, et al.
Veröffentlicht: (2024)

Multi-Scale Invertible Neural Network for Wide-Range Variable-Rate Learned Image Compression
von: Tu, Hanyue, et al.
Veröffentlicht: (2025)

Recurrent Generic Contour-based Instance Segmentation with Progressive Learning
von: Feng, Hao, et al.
Veröffentlicht: (2023)

Self-Supervised Representation Learning with Spatial-Temporal Consistency for Sign Language Recognition
von: Zhao, Weichao, et al.
Veröffentlicht: (2024)

Image2Sentence based Asymmetrical Zero-shot Composed Image Retrieval
von: Du, Yongchao, et al.
Veröffentlicht: (2024)

Instance-aware Exploration-Verification-Exploitation for Instance ImageGoal Navigation
von: Lei, Xiaohan, et al.
Veröffentlicht: (2024)

Exploiting Spatial-Temporal Context for Interacting Hand Reconstruction on Monocular RGB Video
von: Zhao, Weichao, et al.
Veröffentlicht: (2023)

Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation
von: Cui, Xiao, et al.
Veröffentlicht: (2025)

Cross-Modal Consistency Learning for Sign Language Recognition
von: Wu, Kepeng, et al.
Veröffentlicht: (2025)

Video-based Sign Language Recognition without Temporal Segmentation
von: Huang, Jie, et al.
Veröffentlicht: (2018)

Learning Generalizable Human Motion Generator with Reinforcement Learning
von: Mao, Yunyao, et al.
Veröffentlicht: (2024)

Structural Action Transformer for 3D Dexterous Manipulation
von: Lei, Xiaohan, et al.
Veröffentlicht: (2026)

SEDS: Semantically Enhanced Dual-Stream Encoder for Sign Language Retrieval
von: Jiang, Longtao, et al.
Veröffentlicht: (2024)

Robust Multimodal Large Language Models Against Modality Conflict
von: Zhang, Zongmeng, et al.
Veröffentlicht: (2025)

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

StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting
von: Cui, Xiao, et al.
Veröffentlicht: (2024)

MASA: Motion-aware Masked Autoencoder with Semantic Alignment for Sign Language Recognition
von: Zhao, Weichao, et al.
Veröffentlicht: (2024)

DesignDiffusion: High-Quality Text-to-Design Image Generation with Diffusion Models
von: Wang, Zhendong, et al.
Veröffentlicht: (2025)

Self-Classification Enhancement and Correction for Weakly Supervised Object Detection
von: Yin, Yufei, et al.
Veröffentlicht: (2025)