Copertina

TC-LLaVA: Rethinking the Transfer from Image to Video Understanding with Temporal Considerations

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Gao, Mingze, Liu, Jingyu, Li, Mingda, Xie, Jiangtao, Liu, Qingbin, Zhao, Bo, Chen, Xi, Xiong, Hui
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

LLaVA-Video: Video Instruction Tuning With Synthetic Data
di: Zhang, Yuanhan, et al.
Pubblicazione: (2024)

LLaVA-ST: A Multimodal Large Language Model for Fine-Grained Spatial-Temporal Understanding
di: Li, Hongyu, et al.
Pubblicazione: (2025)

TRACE: Temporal Grounding Video LLM via Causal Event Modeling
di: Guo, Yongxin, et al.
Pubblicazione: (2024)

LLaVA-OneVision: Easy Visual Task Transfer
di: Li, Bo, et al.
Pubblicazione: (2024)

Enhancing Long Video Understanding via Hierarchical Event-Based Memory
di: Cheng, Dingxin, et al.
Pubblicazione: (2024)

Sa2VA: Marrying SAM2 with LLaVA for Dense Grounded Understanding of Images and Videos
di: Yuan, Haobo, et al.
Pubblicazione: (2025)

SlowFast-LLaVA: A Strong Training-Free Baseline for Video Large Language Models
di: Xu, Mingze, et al.
Pubblicazione: (2024)

PLLaVA : Parameter-free LLaVA Extension from Images to Videos for Video Dense Captioning
di: Xu, Lin, et al.
Pubblicazione: (2024)

SlowFast-LLaVA-1.5: A Family of Token-Efficient Video Large Language Models for Long-Form Video Understanding
di: Xu, Mingze, et al.
Pubblicazione: (2025)

LLaVA-MoD: Making LLaVA Tiny via MoE Knowledge Distillation
di: Shu, Fangxun, et al.
Pubblicazione: (2024)

TG-LLaVA: Text Guided LLaVA via Learnable Latent Embeddings
di: Yan, Dawei, et al.
Pubblicazione: (2024)

LLaVA-Octopus: Unlocking Instruction-Driven Adaptive Projector Fusion for Video Understanding
di: Sun, Boyuan, et al.
Pubblicazione: (2025)

Cosmos-LLaVA: Chatting with the Visual Cosmos-LLaVA: Görselle Sohbet Etmek
di: Zeer, Ahmed, et al.
Pubblicazione: (2024)

VTG-LLM: Integrating Timestamp Knowledge into Video LLMs for Enhanced Video Temporal Grounding
di: Guo, Yongxin, et al.
Pubblicazione: (2024)

Enhance Image-to-Image Generation with LLaVA-generated Prompts
di: Ding, Zhicheng, et al.
Pubblicazione: (2024)

LLaVA-MLB: Mitigating and Leveraging Attention Bias for Training-Free Video LLMs
di: Shen, Leqi, et al.
Pubblicazione: (2025)

LLaVA-c: Continual Improved Visual Instruction Tuning
di: Liu, Wenzhuo, et al.
Pubblicazione: (2025)

R-LLaVA: Improving Med-VQA Understanding through Visual Region of Interest
di: Chen, Xupeng, et al.
Pubblicazione: (2024)

LLaVA-Critic: Learning to Evaluate Multimodal Models
di: Xiong, Tianyi, et al.
Pubblicazione: (2024)

LLaVA-4D: Embedding SpatioTemporal Prompt into LMMs for 4D Scene Understanding
di: Zhou, Hanyu, et al.
Pubblicazione: (2025)

OMG-LLaVA: Bridging Image-level, Object-level, Pixel-level Reasoning and Understanding
di: Zhang, Tao, et al.
Pubblicazione: (2024)

Understanding and Mitigating Toxicity in Image-Text Pretraining Datasets: A Case Study on LLaVA
di: Kanjula, Karthik Reddy, et al.
Pubblicazione: (2025)

LLaVA-UHD: an LMM Perceiving Any Aspect Ratio and High-Resolution Images
di: Xu, Ruyi, et al.
Pubblicazione: (2024)

LLaVA-Critic-R1: Your Critic Model is Secretly a Strong Policy Model
di: Wang, Xiyao, et al.
Pubblicazione: (2025)

LLaVA-Scissor: Token Compression with Semantic Connected Components for Video LLMs
di: Sun, Boyuan, et al.
Pubblicazione: (2025)

Video-LLaVA: Learning United Visual Representation by Alignment Before Projection
di: Lin, Bin, et al.
Pubblicazione: (2023)

LLaVA-MR: Large Language-and-Vision Assistant for Video Moment Retrieval
di: Lu, Weiheng, et al.
Pubblicazione: (2024)

LLaVA-Surg: Towards Multimodal Surgical Assistant via Structured Surgical Video Learning
di: Li, Jiajie, et al.
Pubblicazione: (2024)

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model
di: Sun, Tao, et al.
Pubblicazione: (2025)

LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence
di: An, Xiang, et al.
Pubblicazione: (2026)

LLaVA-Mini: Efficient Image and Video Large Multimodal Models with One Vision Token
di: Zhang, Shaolei, et al.
Pubblicazione: (2025)

Continual LLaVA: Continual Instruction Tuning in Large Vision-Language Models
di: Cao, Meng, et al.
Pubblicazione: (2024)

Face-LLaVA: Facial Expression and Attribute Understanding through Instruction Tuning
di: Chaubey, Ashutosh, et al.
Pubblicazione: (2025)

MG-LLaVA: Towards Multi-Granularity Visual Instruction Tuning
di: Zhao, Xiangyu, et al.
Pubblicazione: (2024)

LLaVA-SP: Enhancing Visual Representation with Visual Spatial Tokens for MLLMs
di: Lou, Haoran, et al.
Pubblicazione: (2025)

Why do LLaVA Vision-Language Models Reply to Images in English?
di: Hinck, Musashi, et al.
Pubblicazione: (2024)

ViP-LLaVA: Making Large Multimodal Models Understand Arbitrary Visual Prompts
di: Cai, Mu, et al.
Pubblicazione: (2023)

LLaVA-OneVision-1.5: Fully Open Framework for Democratized Multimodal Training
di: An, Xiang, et al.
Pubblicazione: (2025)

LLaVA-FA: Learning Fourier Approximation for Compressing Large Multimodal Models
di: Zheng, Pengcheng, et al.
Pubblicazione: (2026)

LLaVA-KD: A Framework of Distilling Multimodal Large Language Models
di: Cai, Yuxuan, et al.
Pubblicazione: (2024)