Buchumschlag

ComAlign: Compositional Alignment in Vision-Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Abdollah, Ali, Izadi, Amirmohammad, Saghafian, Armin, Vahidimajd, Reza, Mozafari, Mohammad, Mirzaei, Amirreza, Samiei, Mohammadmahdi, Baghshah, Mahdieh Soleymani
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CAREL: Instruction-guided reinforcement learning with cross-modal auxiliary objectives
von: Saghafian, Armin, et al.
Veröffentlicht: (2024)

Improving 3D Few-Shot Segmentation with Inference-Time Pseudo-Labeling
von: Mozafari, Mohammad, et al.
Veröffentlicht: (2024)

T2I-FineEval: Fine-Grained Compositional Metric for Text-to-Image Evaluation
von: Hosseini, Seyed Mohammad Hadi, et al.
Veröffentlicht: (2025)

Fine-Grained Alignment and Noise Refinement for Compositional Text-to-Image Generation
von: Izadi, Amir Mohammad, et al.
Veröffentlicht: (2025)

Language Plays a Pivotal Role in the Object-Attribute Compositional Generalization of CLIP
von: Abbasi, Reza, et al.
Veröffentlicht: (2024)

Understanding Counting Mechanisms in Large Language and Vision-Language Models
von: Hasani, Hosein, et al.
Veröffentlicht: (2025)

Limits and Gains of Test-Time Scaling in Vision-Language Reasoning
von: Ahmadpour, Mohammadjavad, et al.
Veröffentlicht: (2025)

VQEL: Enabling Self-Play in Emergent Language Games via Agent-Internal Vector Quantization
von: Paqaleh, Mohammad Mahdi Samiei, et al.
Veröffentlicht: (2025)

The Illusion of Procedural Reasoning: Measuring Long-Horizon FSM Execution in LLMs
von: Samiei, Mahdi, et al.
Veröffentlicht: (2025)

Uncovering Grounding IDs: How External Cues Shape Multimodal Binding
von: Hasani, Hosein, et al.
Veröffentlicht: (2025)

Deciphering the Role of Representation Disentanglement: Investigating Compositional Generalization in CLIP Models
von: Abbasi, Reza, et al.
Veröffentlicht: (2024)

Visual Structures Helps Visual Reasoning: Addressing the Binding Problem in VLMs
von: Izadi, Amirmohammad, et al.
Veröffentlicht: (2025)

To Align or Not to Align: Strategic Multimodal Representation Alignment for Optimal Performance
von: Fang, Wanlong, et al.
Veröffentlicht: (2025)

COPA: Efficient Vision-Language Pre-training Through Collaborative Object- and Patch-Text Alignment
von: Jiang, Chaoya, et al.
Veröffentlicht: (2023)

Inductive Biases for Zero-shot Systematic Generalization in Language-informed Reinforcement Learning
von: Dijujin, Negin Hashemi, et al.
Veröffentlicht: (2025)

GuardAlign: Test-time Safety Alignment in Multimodal Large Language Models
von: Zhu, Xingyu, et al.
Veröffentlicht: (2026)

EidetiCom: A Cross-modal Brain-Computer Semantic Communication Paradigm for Decoding Visual Perception
von: Zheng, Linfeng, et al.
Veröffentlicht: (2024)

Investigating the Generalizability of Physiological Characteristics of Anxiety
von: Zhou, Emily, et al.
Veröffentlicht: (2024)

LibraGrad: Balancing Gradient Flow for Universally Better Vision Transformer Attributions
von: Mehri, Faridoun, et al.
Veröffentlicht: (2024)

Reversing the Damage: A QP-Aware Transformer-Diffusion Approach for 8K Video Restoration under Codec Compression
von: Dehaghi, Ali Mollaahmadi, et al.
Veröffentlicht: (2024)

Multi-Track MusicLDM: Towards Versatile Music Generation with Latent Diffusion Model
von: Karchkhadze, Tornike, et al.
Veröffentlicht: (2024)

Causal Attribution via Activation Patching
von: Izadi, Amirmohammad, et al.
Veröffentlicht: (2026)

CalliReader: Contextualizing Chinese Calligraphy via an Embedding-Aligned Vision-Language Model
von: Luo, Yuxuan, et al.
Veröffentlicht: (2025)

CLIP-PCQA: Exploring Subjective-Aligned Vision-Language Modeling for Point Cloud Quality Assessment
von: Liu, Yating, et al.
Veröffentlicht: (2025)

Mechanistic Interpretability of Large-Scale Counting in LLMs through a System-2 Strategy
von: Hasani, Hosein, et al.
Veröffentlicht: (2026)

Infinity and Beyond: Compositional Alignment in VAR and Diffusion T2I Models
von: Shahabadi, Hossein, et al.
Veröffentlicht: (2025)

EMID: An Emotional Aligned Dataset in Audio-Visual Modality
von: Zou, Jialing, et al.
Veröffentlicht: (2023)

Identity-Aware Vision-Language Model for Explainable Face Forgery Detection
von: Xu, Junhao, et al.
Veröffentlicht: (2025)

Revisiting Vision-Language Features Adaptation and Inconsistency for Social Media Popularity Prediction
von: Hsu, Chih-Chung, et al.
Veröffentlicht: (2024)

BOLA360: Near-optimal View and Bitrate Adaptation for 360-degree Video Streaming
von: Zeynali, Ali, et al.
Veröffentlicht: (2023)

SVLA: A Unified Speech-Vision-Language Assistant with Multimodal Reasoning and Speech Generation
von: Huynh, Ngoc Dung, et al.
Veröffentlicht: (2025)

Exploring Transferability of Multimodal Adversarial Samples for Vision-Language Pre-training Models with Contrastive Learning
von: Wang, Youze, et al.
Veröffentlicht: (2023)

EmoVLM-KD: Fusing Distilled Expertise with Vision-Language Models for Visual Emotion Analysis
von: Lee, SangEun, et al.
Veröffentlicht: (2025)

SUSD: Structured Unsupervised Skill Discovery through State Factorization
von: Hosseini, Seyed Mohammad Hadi, et al.
Veröffentlicht: (2026)

ALMol: Aligned Language-Molecule Translation LLMs through Offline Preference Contrastive Optimisation
von: Gkoumas, Dimitris
Veröffentlicht: (2024)

ASAP: Advancing Semantic Alignment Promotes Multi-Modal Manipulation Detecting and Grounding
von: Zhang, Zhenxing, et al.
Veröffentlicht: (2024)

SciCom Wiki: A Digital Library to Support the Science Communication Knowledge Infrastructure for Videos and Podcasts
von: Wittenborg, Tim, et al.
Veröffentlicht: (2025)

Multi Agents Semantic Emotion Aligned Music to Image Generation with Music Derived Captions
von: Shi, Junchang, et al.
Veröffentlicht: (2025)

ConvBench: A Multi-Turn Conversation Evaluation Benchmark with Hierarchical Capability for Large Vision-Language Models
von: Liu, Shuo, et al.
Veröffentlicht: (2024)

From Natural Alignment to Conditional Controllability in Multimodal Dialogue
von: Jin, Zeyu, et al.
Veröffentlicht: (2026)