Buchumschlag

CompCap: Improving Multimodal Large Language Models with Composite Captions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Xiaohui, Shukla, Satya Narayan, Azab, Mahmoud, Singh, Aashu, Wang, Qifan, Yang, David, Peng, ShengYun, Yu, Hanchao, Yan, Shen, Zhang, Xuewen, He, Baosheng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Inference Compute-Optimal Video Vision Language Models
von: Wang, Peiqi, et al.
Veröffentlicht: (2025)

StreamMem: Query-Agnostic KV Cache Memory for Streaming Video Understanding
von: Yang, Yanlai, et al.
Veröffentlicht: (2025)

Think Then Embed: Generative Context Improves Multimodal Embedding
von: Cui, Xuanming, et al.
Veröffentlicht: (2025)

Navigating the Safety Landscape: Measuring Risks in Finetuning Large Language Models
von: Peng, ShengYun, et al.
Veröffentlicht: (2024)

Heteroscedastic Temporal Variational Autoencoder For Irregular Time Series
von: Shukla, Satya Narayan, et al.
Veröffentlicht: (2021)

Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation
von: Zhang, Jiang, et al.
Veröffentlicht: (2025)

Cultural and Historical Identity in Amitav Ghosh’s River of Smoke: A Postcolonial Perspective
von: Satya Narayan
Veröffentlicht: (2021)

Depicting Culture and Identity in Amitav Ghosh’s The Shadow Lines
von: Satya Narayan
Veröffentlicht: (2017)

Cultural and Historical Identity in Amitav Ghosh’s River of Smoke: A Postcolonial Perspective
von: Satya Narayan
Veröffentlicht: (2021)

Interpretation Meets Safety: A Survey on Interpretation Methods and Tools for Improving LLM Safety
von: Lee, Seongmin, et al.
Veröffentlicht: (2025)

Learning to Localize Objects Improves Spatial Reasoning in Visual-LLMs
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2024)

Verifiable Reasoning for LLM-based Generative Recommendation
von: Lin, Xinyu, et al.
Veröffentlicht: (2026)

COCONut-PanCap: Joint Panoptic Segmentation and Grounded Captions for Fine-Grained Understanding and Generation
von: Deng, Xueqing, et al.
Veröffentlicht: (2025)

Self-Supervised Pre-Training for Table Structure Recognition Transformer
von: Peng, ShengYun, et al.
Veröffentlicht: (2024)

LaMP-Cap: Personalized Figure Caption Generation With Multimodal Figure Profiles
von: Ng, Ho Yin 'Sam', et al.
Veröffentlicht: (2025)

Shape it Up! Restoring LLM Safety during Finetuning
von: Peng, ShengYun, et al.
Veröffentlicht: (2025)

Transfer between Modalities with MetaQueries
von: Pan, Xichen, et al.
Veröffentlicht: (2025)

FingerCap: Fine-grained Finger-level Hand Motion Captioning
von: Shen, Xin, et al.
Veröffentlicht: (2025)

CapHDR2IR: Caption-Driven Transfer from Visible Light to Infrared Domain
von: Peng, Jingchao, et al.
Veröffentlicht: (2024)

Unifying Contrastive and Generative Objectives for Visual Understanding and Text-to-Image Generation
von: Li, Chao, et al.
Veröffentlicht: (2026)

ControlCap: Controllable Region-level Captioning
von: Zhao, Yuzhong, et al.
Veröffentlicht: (2024)

InstanceCap: Improving Text-to-Video Generation via Instance-aware Structured Caption
von: Fan, Tiehan, et al.
Veröffentlicht: (2024)

UniTable: Towards a Unified Framework for Table Recognition via Self-Supervised Pretraining
von: Peng, ShengYun, et al.
Veröffentlicht: (2024)

FigCaps-HF: A Figure-to-Caption Generative Framework and Benchmark with Human Feedback
von: Singh, Ashish, et al.
Veröffentlicht: (2023)

Do Large Multimodal Models Solve Caption Generation for Scientific Figures? Lessons Learned from SciCap Challenge 2023
von: Hsu, Ting-Yao E., et al.
Veröffentlicht: (2025)

HyperCap: Hyperspectral Land Cover Captioning Dataset for Vision Language Models
von: Das, Aryan, et al.
Veröffentlicht: (2025)

A first-principles investigation of the diffusivities of oxygen and oxygen defects in ThO$_2$
von: Singh, Maniesha, et al.
Veröffentlicht: (2025)

SnapCap: Efficient Snapshot Compressive Video Captioning
von: Sun, Jianqiao, et al.
Veröffentlicht: (2024)

ChartCap: Mitigating Hallucination of Dense Chart Captioning
von: Lim, Junyoung, et al.
Veröffentlicht: (2025)

Sentinel2Cap: A Human-Annotated Benchmark Dataset for Multimodal Remote Sensing Image Captioning
von: Tosato, Lucrezia, et al.
Veröffentlicht: (2026)

PaveCap: The First Multimodal Framework for Comprehensive Pavement Condition Assessment with Dense Captioning and PCI Estimation
von: Kyem, Blessing Agyei, et al.
Veröffentlicht: (2024)

CycleCap: Improving VLMs Captioning Performance via Self-Supervised Cycle Consistency Fine-Tuning
von: Krestenitis, Marios, et al.
Veröffentlicht: (2026)

LLM Self Defense: By Self Examination, LLMs Know They Are Being Tricked
von: Phute, Mansi, et al.
Veröffentlicht: (2023)

GroundCap: A Visually Grounded Image Captioning Dataset
von: Oliveira, Daniel A. P., et al.
Veröffentlicht: (2025)

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

Cap2Sum: Learning to Summarize Videos by Generating Captions
von: Zhao, Cairong, et al.
Veröffentlicht: (2024)

AlignCap: Aligning Speech Emotion Captioning to Human Preferences
von: Liang, Ziqi, et al.
Veröffentlicht: (2024)

XMeCap: Meme Caption Generation with Sub-Image Adaptability
von: Chen, Yuyan, et al.
Veröffentlicht: (2024)

CapGeo: A Caption-Assisted Approach to Geometric Reasoning
von: Li, Yuying, et al.
Veröffentlicht: (2025)

ProCap: Projection-Aware Captioning for Spatial Augmented Reality
von: Cao, Zimo, et al.
Veröffentlicht: (2026)