Copertina

Referencing Where to Focus: Improving VisualGrounding with Referential Query

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Wang, Yabing, Tian, Zhuotao, Guo, Qingpei, Qin, Zheng, Zhou, Sanping, Yang, Ming, Wang, Le
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

From Mapping to Composing: A Two-Stage Framework for Zero-shot Composed Image Retrieval
di: Wang, Yabing, et al.
Pubblicazione: (2025)

Diversifying Query: Region-Guided Transformer for Temporal Sentence Grounding
di: Sun, Xiaolong, et al.
Pubblicazione: (2024)

Embracing Aleatoric Uncertainty: Generating Diverse 3D Human Motion
di: Qin, Zheng, et al.
Pubblicazione: (2025)

RSRNav: Reasoning Spatial Relationship for Image-Goal Navigation
di: Qin, Zheng, et al.
Pubblicazione: (2025)

Pink: Unveiling the Power of Referential Comprehension for Multi-modal LLMs
di: Xuan, Shiyu, et al.
Pubblicazione: (2023)

Versatile Multimodal Controls for Expressive Talking Human Animation
di: Qin, Zheng, et al.
Pubblicazione: (2025)

Moment Quantization for Video Temporal Grounding
di: Sun, Xiaolong, et al.
Pubblicazione: (2025)

VideoScaffold: Elastic-Scale Visual Hierarchies for Streaming Video Understanding in MLLMs
di: Zheng, Naishan, et al.
Pubblicazione: (2025)

Grounding Language in Multi-Perspective Referential Communication
di: Tang, Zineng, et al.
Pubblicazione: (2024)

Multimodal LLM Enhanced Cross-lingual Cross-modal Retrieval
di: Wang, Yabing, et al.
Pubblicazione: (2024)

Less Is More, but Where? Dynamic Token Compression via LLM-Guided Keyframe Prior
di: Li, Yulin, et al.
Pubblicazione: (2025)

PR-DETR: Injecting Position and Relation Prior for Dense Video Captioning
di: Li, Yizhe, et al.
Pubblicazione: (2025)

Dual Tuning for Reasoning Efficacy-Driven Data Curation in Multimodal LLM Training
di: Zheng, Ruobing, et al.
Pubblicazione: (2026)

FocusUI: Efficient UI Grounding via Position-Preserving Visual Token Selection
di: Ouyang, Mingyu, et al.
Pubblicazione: (2026)

QID: Efficient Query-Informed ViTs in Data-Scarce Regimes for OCR-free Visual Document Understanding
di: Le, Binh M., et al.
Pubblicazione: (2025)

SpatialViz-Bench: A Cognitively-Grounded Benchmark for Diagnosing Spatial Visualization in MLLMs
di: Wang, Siting, et al.
Pubblicazione: (2025)

Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations
di: Yang, Ziyan, et al.
Pubblicazione: (2022)

SRPO: Self-Referential Policy Optimization for Vision-Language-Action Models
di: Fei, Senyu, et al.
Pubblicazione: (2025)

Grounding Language Models for Visual Entity Recognition
di: Xiao, Zilin, et al.
Pubblicazione: (2024)

Robust Noisy Label Learning via Two-Stream Sample Distillation
di: Bai, Sihan, et al.
Pubblicazione: (2024)

According to Me: Long-Term Personalized Referential Memory QA
di: Mei, Jingbiao, et al.
Pubblicazione: (2026)

Visual-RAG: Benchmarking Text-to-Image Retrieval Augmented Generation for Visual Knowledge Intensive Queries
di: Wu, Yin, et al.
Pubblicazione: (2025)

LVLMs and Humans Ground Differently in Referential Communication
di: Zeng, Peter, et al.
Pubblicazione: (2026)

VGR: Visual Grounded Reasoning
di: Wang, Jiacong, et al.
Pubblicazione: (2025)

PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation
di: Gao, Ning, et al.
Pubblicazione: (2024)

Where to Focus: Query-Modulated Multimodal Keyframe Selection for Long Video Understanding
di: Wang, Shaoguang, et al.
Pubblicazione: (2026)

Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology
di: Wang, Haochen, et al.
Pubblicazione: (2025)

FlowRAM: Grounding Flow Matching Policy with Region-Aware Mamba Framework for Robotic Manipulation
di: Wang, Sen, et al.
Pubblicazione: (2025)

Four Ways to Improve Verbo-visual Fusion for Dense 3D Visual Grounding
di: Unal, Ozan, et al.
Pubblicazione: (2023)

ViGiL3D: A Linguistically Diverse Dataset for 3D Visual Grounding
di: Wang, Austin T., et al.
Pubblicazione: (2025)

Weakly-Supervised 3D Visual Grounding based on Visual Language Alignment
di: Xu, Xiaoxu, et al.
Pubblicazione: (2023)

Towards Visual Text Grounding of Multimodal Large Language Model
di: Li, Ming, et al.
Pubblicazione: (2025)

ReCap: Lightweight Referential Grounding for Coherent Story Visualization
di: Arora, Aditya, et al.
Pubblicazione: (2026)

Learning GUI Grounding with Spatial Reasoning from Visual Feedback
di: Zhao, Yu, et al.
Pubblicazione: (2025)

ReFocus: Visual Editing as a Chain of Thought for Structured Image Understanding
di: Fu, Xingyu, et al.
Pubblicazione: (2025)

Adaptive Markup Language Generation for Contextually-Grounded Visual Document Understanding
di: Xiao, Han, et al.
Pubblicazione: (2025)

Towards Generalizable Multi-Object Tracking
di: Qin, Zheng, et al.
Pubblicazione: (2024)

Seeing is Believing: Rich-Context Hallucination Detection for MLLMs via Backward Visual Grounding
di: Guo, Pinxue, et al.
Pubblicazione: (2025)

Efficient Temporal Extrapolation of Multimodal Large Language Models with Temporal Grounding Bridge
di: Wang, Yuxuan, et al.
Pubblicazione: (2024)

Generalizable Entity Grounding via Assistance of Large Language Model
di: Qi, Lu, et al.
Pubblicazione: (2024)