:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yadav, Ankit, Liu, Lingqiao, Qi, Yuankai
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2501.15144
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Revisiting Vision Language Foundations for No-Reference Image Quality Assessment
von: Yadav, Ankit, et al.
Veröffentlicht: (2025)

EMAG: Self-Rectifying Diffusion Sampling with Exponential Moving Average Guidance
von: Yadav, Ankit, et al.
Veröffentlicht: (2025)

STRIDE: Training-Free Diversity Guidance via PCA-Directed Feature Perturbation in Single-Step Diffusion Models
von: Yadav, Ankit, et al.
Veröffentlicht: (2026)

Decomposing Disease Descriptions for Enhanced Pathology Detection: A Multi-Aspect Vision-Language Pre-training Framework
von: Phan, Vu Minh Hieu, et al.
Veröffentlicht: (2024)

In the Era of Prompt Learning with Vision-Language Models
von: Jha, Ankit
Veröffentlicht: (2024)

One Last Attention for Your Vision-Language Model
von: Chen, Liang, et al.
Veröffentlicht: (2025)

Question-guided Visual Compression with Memory Feedback for Long-Term Video Understanding
von: Yamao, Sosuke, et al.
Veröffentlicht: (2026)

Attention-driven GUI Grounding: Leveraging Pretrained Multimodal Large Language Models without Fine-Tuning
von: Xu, Hai-Ming, et al.
Veröffentlicht: (2024)

A Visually Attentive Splice Localization Network with Multi-Domain Feature Extractor and Multi-Receptive Field Upsampler
von: Yadav, Ankit, et al.
Veröffentlicht: (2024)

EVLM: An Efficient Vision-Language Model for Visual Understanding
von: Chen, Kaibing, et al.
Veröffentlicht: (2024)

Training-Free Instance-Aware 3D Scene Reconstruction and Diffusion-Based View Synthesis from Sparse Images
von: Xia, Jiatong, et al.
Veröffentlicht: (2026)

FedMVP: Federated Multimodal Visual Prompt Tuning for Vision-Language Models
von: Singha, Mainak, et al.
Veröffentlicht: (2025)

Do Vision-Language Models Really Understand Visual Language?
von: Hou, Yifan, et al.
Veröffentlicht: (2024)

On Learning Discriminative Features from Synthesized Data for Self-Supervised Fine-Grained Visual Recognition
von: Wang, Zihu, et al.
Veröffentlicht: (2024)

Do Vision-Language Models Understand Visual Persuasiveness?
von: Park, Gyuwon
Veröffentlicht: (2025)

Learning to Reason and Navigate: Parameter Efficient Action Planning with Large Language Models
von: Mohammadi, Bahram, et al.
Veröffentlicht: (2025)

VISOR: Visual Input-based Steering for Output Redirection in Vision-Language Models
von: Phute, Mansi, et al.
Veröffentlicht: (2025)

Exploring the Role of Explicit Temporal Modeling in Multimodal Large Language Models for Video Understanding
von: Li, Yun, et al.
Veröffentlicht: (2025)

Quality Text, Robust Vision: The Role of Language in Enhancing Visual Robustness of Vision-Language Models
von: Waseda, Futa, et al.
Veröffentlicht: (2025)

HGCLIP: Exploring Vision-Language Models with Graph Representations for Hierarchical Understanding
von: Xia, Peng, et al.
Veröffentlicht: (2023)

Can 3D Vision-Language Models Truly Understand Natural Language?
von: Deng, Weipeng, et al.
Veröffentlicht: (2024)

Bi-VLDoc: Bidirectional Vision-Language Modeling for Visually-Rich Document Understanding
von: Luo, Chuwei, et al.
Veröffentlicht: (2022)

Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models
von: Zhou, Shengchao, et al.
Veröffentlicht: (2025)

Native Visual Understanding: Resolving Resolution Dilemmas in Vision-Language Models
von: Niu, Junbo, et al.
Veröffentlicht: (2025)

Event-Priori-Based Vision-Language Model for Efficient Visual Understanding
von: Qin, Haotong, et al.
Veröffentlicht: (2025)

The CLIP Model is Secretly an Image-to-Prompt Converter
von: Ding, Yuxuan, et al.
Veröffentlicht: (2023)

Visual and Semantic Prompt Collaboration for Generalized Zero-Shot Learning
von: Jiang, Huajie, et al.
Veröffentlicht: (2025)

Exploring the Temporal Consistency for Point-Level Weakly-Supervised Temporal Action Localization
von: Ma, Yunchuan, et al.
Veröffentlicht: (2026)

Close-up-GS: Enhancing Close-Up View Synthesis in 3D Gaussian Splatting with Progressive Self-Training
von: Xia, Jiatong, et al.
Veröffentlicht: (2025)

Do Vision-Language Models Measure Up? Benchmarking Visual Measurement Reading with MeasureBench
von: Lin, Fenfen, et al.
Veröffentlicht: (2025)

Enhancing Visual Document Understanding with Contrastive Learning in Large Visual-Language Models
von: Li, Xin, et al.
Veröffentlicht: (2024)

Improving Online Source-free Domain Adaptation for Object Detection by Unsupervised Data Acquisition
von: Shi, Xiangyu, et al.
Veröffentlicht: (2023)

Categorical Keypoint Positional Embedding for Robust Animal Re-Identification
von: Lin, Yuhao, et al.
Veröffentlicht: (2024)

Enhancing Fine-Grained Visual Recognition in the Low-Data Regime Through Feature Magnitude Regularization
von: Chapman, Avraham, et al.
Veröffentlicht: (2024)

Video Active Perception: Effective Inference-Time Long-Form Video Understanding with Vision-Language Models
von: Ma, Martin Q., et al.
Veröffentlicht: (2026)

From Classification to Cross-Modal Understanding: Leveraging Vision-Language Models for Fine-Grained Renal Pathology
von: Guo, Zhenhao, et al.
Veröffentlicht: (2025)

LightAVSeg: Lightweight Audio-Visual Segmentation
von: Zhong, Qing, et al.
Veröffentlicht: (2026)

PFPs: Prompt-guided Flexible Pathological Segmentation for Diverse Potential Outcomes Using Large Vision and Language Models
von: Cui, Can, et al.
Veröffentlicht: (2024)

RelationVLM: Making Large Vision-Language Models Understand Visual Relations
von: Huang, Zhipeng, et al.
Veröffentlicht: (2024)

Exploring Visual Vulnerabilities via Multi-Loss Adversarial Search for Jailbreaking Vision-Language Models
von: Hao, Shuyang, et al.
Veröffentlicht: (2024)