Buchumschlag

NEMO: Can Multimodal LLMs Identify Attribute-Modified Objects?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jiaxuan, Mo, Junwen, Vo, MinhDuc, Sugimoto, Akihiro, Nakayama, Hideki
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

EVCap: Retrieval-Augmented Image Captioning with External Visual-Name Memory for Open-World Comprehension
von: Li, Jiaxuan, et al.
Veröffentlicht: (2023)

Persistent Test-time Adaptation in Recurring Testing Scenarios
von: Hoang, Trung-Hieu, et al.
Veröffentlicht: (2023)

SAMURAI: Shape-Aware Multimodal Retrieval for 3D Object Identification
von: Vo, Dinh-Khoi, et al.
Veröffentlicht: (2025)

Interactive Masked Image Modeling for Multimodal Object Detection in Remote Sensing
von: Vu, Minh-Duc, et al.
Veröffentlicht: (2024)

TESO: Online Tracking of Essential Matrix by Stochastic Optimization
von: Moravec, Jaroslav, et al.
Veröffentlicht: (2026)

Improving the Robustness of 3D Human Pose Estimation: A Benchmark and Learning from Noisy Input
von: Hoang, Trung-Hieu, et al.
Veröffentlicht: (2023)

EOC-Bench: Can MLLMs Identify, Recall, and Forecast Objects in an Egocentric World?
von: Yuan, Yuqian, et al.
Veröffentlicht: (2025)

Measuring Image-Relation Alignment: Reference-Free Evaluation of VLMs and Synthetic Pre-training for Open-Vocabulary Scene Graph Generation
von: Neau, Maëlic, et al.
Veröffentlicht: (2025)

HOI-R1: Exploring the Potential of Multimodal Large Language Models for Human-Object Interaction Detection
von: Chen, Junwen, et al.
Veröffentlicht: (2025)

Towards Open-Vocabulary Multimodal 3D Object Detection with Attributes
von: Xiang, Xinhao, et al.
Veröffentlicht: (2025)

EagleVision: Object-level Attribute Multimodal LLM for Remote Sensing
von: Jiang, Hongxiang, et al.
Veröffentlicht: (2025)

Towards Agentic AI for Multimodal-Guided Video Object Segmentation
von: Tran, Tuyen, et al.
Veröffentlicht: (2025)

InstructAttribute: Fine-grained Object Attributes editing with Instruction
von: Yin, Xingxi, et al.
Veröffentlicht: (2025)

Enhanced Data Transfer Cooperating with Artificial Triplets for Scene Graph Generation
von: Chu, KuanChao, et al.
Veröffentlicht: (2024)

Can LLMs' Tuning Methods Work in Medical Multimodal Domain?
von: Chen, Jiawei, et al.
Veröffentlicht: (2024)

EVENT-Retriever: Event-Aware Multimodal Image Retrieval for Realistic Captions
von: Vo, Dinh-Khoi, et al.
Veröffentlicht: (2025)

Hierarchical Neural Collapse Detection Transformer for Class Incremental Object Detection
von: Pham, Duc Thanh, et al.
Veröffentlicht: (2025)

TI-JEPA: An Innovative Energy-based Joint Embedding Strategy for Text-Image Multimodal Systems
von: Vo, Khang H. N., et al.
Veröffentlicht: (2025)

Mitigating Hallucinations on Object Attributes using Multiview Images and Negative Instructions
von: Tan, Zhijie, et al.
Veröffentlicht: (2025)

EDGE-Shield: Efficient Denoising-staGE Shield for Violative Content Filtering via Scalable Reference-Based Matching
von: Taniguchi, Takara, et al.
Veröffentlicht: (2026)

SAGA: Learning Signal-Aligned Distributions for Improved Text-to-Image Generation
von: Grimal, Paul, et al.
Veröffentlicht: (2025)

GoDe: Gaussians on Demand for Progressive Level of Detail and Scalable Compression
von: Di Sario, Francesco, et al.
Veröffentlicht: (2025)

PANDORA: Pixel-wise Attention Dissolution and Latent Guidance for Zero-Shot Object Removal
von: Vo, Dinh-Khoi, et al.
Veröffentlicht: (2026)

Finding Needles in Images: Can Multimodal LLMs Locate Fine Details?
von: Thakkar, Parth, et al.
Veröffentlicht: (2025)

Anatomical Attention Alignment representation for Radiology Report Generation
von: Nguyen, Quang Vinh, et al.
Veröffentlicht: (2025)

Harnessing the Latent Diffusion Model for Training-Free Image Style Transfer
von: Masui, Kento, et al.
Veröffentlicht: (2024)

MureObjectStitch: Multi-reference Image Composition
von: Chen, Jiaxuan, et al.
Veröffentlicht: (2024)

A Comprehensive Information-Decomposition Analysis of Large Vision-Language Models
von: Xiu, Lixin, et al.
Veröffentlicht: (2026)

REACT: Real-time Efficiency and Accuracy Compromise for Tradeoffs in Scene Graph Generation
von: Neau, Maëlic, et al.
Veröffentlicht: (2024)

Localizing Before Answering: A Hallucination Evaluation Benchmark for Grounded Medical Multimodal LLMs
von: Nguyen, Dung, et al.
Veröffentlicht: (2025)

MangaFlow: An End-to-End Agentic Framework for Controllable Story to Manga Generation
von: Wang, Muyao, et al.
Veröffentlicht: (2026)

Follow-Your-Preference: Towards Preference-Aligned Image Inpainting
von: Shen, Yutao, et al.
Veröffentlicht: (2025)

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

Amodal Instance Segmentation with Diffusion Shape Prior Estimation
von: Tran, Minh, et al.
Veröffentlicht: (2024)

Material Fingerprinting: Identifying and Predicting Perceptual Attributes of Material Appearance
von: Filip, Jiri, et al.
Veröffentlicht: (2024)

Object Navigation with Structure-Semantic Reasoning-Based Multi-level Map and Multimodal Decision-Making LLM
von: Yan, Chongshang, et al.
Veröffentlicht: (2025)

Can Multimodal LLMs do Visual Temporal Understanding and Reasoning? The answer is No!
von: Imam, Mohamed Fazli, et al.
Veröffentlicht: (2025)

ScriptHOI: Learning Scripted State Transitions for Open-Vocabulary Human-Object Interaction Detection
von: Nguyen, Minh Anh, et al.
Veröffentlicht: (2026)

Response-Aware Multimodal Learning for Post-Treatment Visual Acuity Forecasting
von: Bui, Phuoc-Nguyen, et al.
Veröffentlicht: (2026)

GCE-Pose: Global Context Enhancement for Category-level Object Pose Estimation
von: Li, Weihang, et al.
Veröffentlicht: (2025)