Buchumschlag

Instruction-guided Multi-Granularity Segmentation and Captioning with Large Multimodal Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Li, Yuan, Xu, Sun, Zenghui, Zhou, Zikun, Lan, Jingsong
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

Scene Graph-guided SegCaptioning Transformer with Fine-grained Alignment for Controllable Video Segmentation and Captioning
von: Zhang, Xu, et al.
Veröffentlicht: (2026)

INTER: Mitigating Hallucination in Large Vision-Language Models by Interaction Guidance Sampling
von: Dong, Xin, et al.
Veröffentlicht: (2025)

AVG-LLaVA: An Efficient Large Multimodal Model with Adaptive Visual Granularity
von: Lan, Zhibin, et al.
Veröffentlicht: (2024)

MambaVLT: Time-Evolving Multimodal State Space Model for Vision-Language Tracking
von: Liu, Xinqi, et al.
Veröffentlicht: (2024)

MGIMM: Multi-Granularity Instruction Multimodal Model for Attribute-Guided Remote Sensing Image Detailed Description
von: Yang, Cong, et al.
Veröffentlicht: (2024)

Harnessing Vision-Language Pretrained Models with Temporal-Aware Adaptation for Referring Video Object Segmentation
von: Zhou, Zikun, et al.
Veröffentlicht: (2024)

Universal Segmentation at Arbitrary Granularity with Language Instruction
von: Liu, Yong, et al.
Veröffentlicht: (2023)

IF-VidCap: Can Video Caption Models Follow Instructions?
von: Li, Shihao, et al.
Veröffentlicht: (2025)

Effectively Enhancing Vision Language Large Models by Prompt Augmentation and Caption Utilization
von: Zhao, Minyi, et al.
Veröffentlicht: (2024)

PMCE: Probabilistic Multi-Granularity Semantics with Caption-Guided Enhancement for Few-Shot Learning
von: Wu, Jiaying, et al.
Veröffentlicht: (2026)

SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised Temporal Action Segmentation
von: Zhou, Feixiang, et al.
Veröffentlicht: (2023)

LongCaptioning: Unlocking the Power of Long Video Caption Generation in Large Multimodal Models
von: Wei, Hongchen, et al.
Veröffentlicht: (2025)

MSP-MVS: Multi-Granularity Segmentation Prior Guided Multi-View Stereo
von: Yuan, Zhenlong, et al.
Veröffentlicht: (2024)

Depth-guided Texture Diffusion for Image Semantic Segmentation
von: Sun, Wei, et al.
Veröffentlicht: (2024)

BTCChat: Advancing Remote Sensing Bi-temporal Change Captioning with Multimodal Large Language Model
von: Li, Yujie, et al.
Veröffentlicht: (2025)

Multi-Granularity Video Object Segmentation
von: Lim, Sangbeom, et al.
Veröffentlicht: (2024)

Deep Instruction Tuning for Segment Anything Model
von: Huang, Xiaorui, et al.
Veröffentlicht: (2024)

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

GraCo: Granularity-Controllable Interactive Segmentation
von: Zhao, Yian, et al.
Veröffentlicht: (2024)

Evaluating Multimodal Large Language Models on Video Captioning via Monte Carlo Tree Search
von: Yu, Linhao, et al.
Veröffentlicht: (2025)

Understanding Multi-Granularity for Open-Vocabulary Part Segmentation
von: Choi, Jiho, et al.
Veröffentlicht: (2024)

Segment and Caption Anything
von: Huang, Xiaoke, et al.
Veröffentlicht: (2023)

CG-MLLM: Captioning and Generating 3D content via Multi-modal Large Language Models
von: Huang, Junming, et al.
Veröffentlicht: (2026)

Multi-Granularity Feature Calibration via VFM for Domain Generalized Semantic Segmentation
von: Li, Xinhui, et al.
Veröffentlicht: (2025)

Prototype Perturbation for Relaxing Alignment Constraints in Backward-Compatible Learning
von: Zhou, Zikun, et al.
Veröffentlicht: (2025)

Text-guided Visual Prompt DINO for Generic Segmentation
von: Guan, Yuchen, et al.
Veröffentlicht: (2025)

Enhancing Descriptive Captions with Visual Attributes for Multimodal Perception
von: Sun, Yanpeng, et al.
Veröffentlicht: (2024)

Multimodal Instruction Tuning with Hybrid State Space Models
von: Zhou, Jianing, et al.
Veröffentlicht: (2024)

Player-Centric Multimodal Prompt Generation for Large Language Model Based Identity-Aware Basketball Video Captioning
von: Xi, Zeyu, et al.
Veröffentlicht: (2025)

UGC-VideoCaptioner: An Omni UGC Video Detail Caption Model and New Benchmarks
von: Wu, Peiran, et al.
Veröffentlicht: (2025)

Fill the GAP: A Granular Alignment Paradigm for Visual Reasoning in Multimodal Large Language Models
von: Miao, Yanting, et al.
Veröffentlicht: (2026)

Towards Multimodal Video Paragraph Captioning Models Robust to Missing Modality
von: Chen, Sishuo, et al.
Veröffentlicht: (2024)

FINECAPTION: Compositional Image Captioning Focusing on Wherever You Want at Any Granularity
von: Hua, Hang, et al.
Veröffentlicht: (2024)

Learning Compatible Multi-Prize Subnetworks for Asymmetric Retrieval
von: Sun, Yushuai, et al.
Veröffentlicht: (2025)

VoCap: Video Object Captioning and Segmentation from Any Prompt
von: Uijlings, Jasper, et al.
Veröffentlicht: (2025)

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

Dense Video Object Captioning from Disjoint Supervision
von: Zhou, Xingyi, et al.
Veröffentlicht: (2023)

An Image Is Worth Ten Thousand Words: Verbose-Text Induction Attacks on VLMs
von: Luo, Zhi, et al.
Veröffentlicht: (2025)

CaptionQA: Is Your Caption as Useful as the Image Itself?
von: Yang, Shijia, et al.
Veröffentlicht: (2025)

Segmentation-guided Layer-wise Image Vectorization with Gradient Fills
von: Zhou, Hengyu, et al.
Veröffentlicht: (2024)