Scaling Laws in Patchification: An Image Is Worth 50,176 Tokens And More
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wang, Feng, Yu, Yaodong, Wei, Guoyizhe, Shao, Wei, Zhou, Yuyin, Yuille, Alan, Xie, Cihang |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Adventurer: Optimizing Vision Mamba Architecture Designs for Efficiency
par: Wang, Feng, et autres
Publié: (2024)
par: Wang, Feng, et autres
Publié: (2024)
Mamba-R: Vision Mamba ALSO Needs Registers
par: Wang, Feng, et autres
Publié: (2024)
par: Wang, Feng, et autres
Publié: (2024)
M-VAR: Decoupled Scale-wise Autoregressive Modeling for High-Quality Image Generation
par: Ren, Sucheng, et autres
Publié: (2024)
par: Ren, Sucheng, et autres
Publié: (2024)
RNN as Linear Transformer: A Closer Investigation into Representational Potentials of Visual Mamba Models
par: Yang, Timing, et autres
Publié: (2025)
par: Yang, Timing, et autres
Publié: (2025)
A Semantic Space is Worth 256 Language Descriptions: Make Stronger Segmentation Models with Descriptive Properties
par: Xiao, Junfei, et autres
Publié: (2023)
par: Xiao, Junfei, et autres
Publié: (2023)
Scaling White-Box Transformers for Vision
par: Yang, Jinrui, et autres
Publié: (2024)
par: Yang, Jinrui, et autres
Publié: (2024)
From Pixels to Objects: A Hierarchical Approach for Part and Object Segmentation Using Local and Global Aggregation
par: Xie, Yunfei, et autres
Publié: (2024)
par: Xie, Yunfei, et autres
Publié: (2024)
Sculpting Holistic 3D Representation in Contrastive Language-Image-3D Pre-training
par: Gao, Yipeng, et autres
Publié: (2023)
par: Gao, Yipeng, et autres
Publié: (2023)
SPFormer: Enhancing Vision Transformer with Superpixel Representation
par: Mei, Jieru, et autres
Publié: (2024)
par: Mei, Jieru, et autres
Publié: (2024)
ARVideo: Autoregressive Pretraining for Self-Supervised Video Representation Learning
par: Ren, Sucheng, et autres
Publié: (2024)
par: Ren, Sucheng, et autres
Publié: (2024)
GPT-IMAGE-EDIT-1.5M: A Million-Scale, GPT-Generated Image Dataset
par: Wang, Yuhan, et autres
Publié: (2025)
par: Wang, Yuhan, et autres
Publié: (2025)
Localization vs. Semantics: Visual Representations in Unimodal and Multimodal Models
par: Li, Zhuowan, et autres
Publié: (2022)
par: Li, Zhuowan, et autres
Publié: (2022)
ViT-Linearizer: Distilling Quadratic Knowledge into Linear-Time Vision Models
par: Wei, Guoyizhe, et autres
Publié: (2025)
par: Wei, Guoyizhe, et autres
Publié: (2025)
Pyramidal Patchification Flow for Visual Generation
par: Li, Hui, et autres
Publié: (2025)
par: Li, Hui, et autres
Publié: (2025)
ViT-5: Vision Transformers for The Mid-2020s
par: Wang, Feng, et autres
Publié: (2026)
par: Wang, Feng, et autres
Publié: (2026)
An Image is Worth 32 Tokens for Reconstruction and Generation
par: Yu, Qihang, et autres
Publié: (2024)
par: Yu, Qihang, et autres
Publié: (2024)
Rejuvenating image-GPT as Strong Visual Representation Learners
par: Ren, Sucheng, et autres
Publié: (2023)
par: Ren, Sucheng, et autres
Publié: (2023)
$\texttt{Complex-Edit}$: CoT-Like Instruction Generation for Complexity-Controllable Image Editing Benchmark
par: Yang, Siwei, et autres
Publié: (2025)
par: Yang, Siwei, et autres
Publié: (2025)
iLLaVA: An Image is Worth Fewer Than 1/3 Input Tokens in Large Multimodal Models
par: Hu, Lianyu, et autres
Publié: (2024)
par: Hu, Lianyu, et autres
Publié: (2024)
Medical Vision Generalist: Unifying Medical Imaging Tasks in Context
par: Ren, Sucheng, et autres
Publié: (2024)
par: Ren, Sucheng, et autres
Publié: (2024)
DPAR: Dynamic Patchification for Efficient Autoregressive Visual Generation
par: Srivastava, Divyansh, et autres
Publié: (2025)
par: Srivastava, Divyansh, et autres
Publié: (2025)
Spiral RoPE: Rotate Your Rotary Positional Embeddings in the 2D Plane
par: Liu, Haoyu, et autres
Publié: (2026)
par: Liu, Haoyu, et autres
Publié: (2026)
A Unified and Controllable Framework for Layered Image Generation with Visual Effects
par: Yang, Jinrui, et autres
Publié: (2026)
par: Yang, Jinrui, et autres
Publié: (2026)
A Creative Agent is Worth a 64-Token Template
par: Shi, Ruixiao, et autres
Publié: (2026)
par: Shi, Ruixiao, et autres
Publié: (2026)
Beyond Masks: The Case for Medical Image Parsing
par: Gupta, Siddharth, et autres
Publié: (2026)
par: Gupta, Siddharth, et autres
Publié: (2026)
L2B: Learning to Bootstrap Robust Models for Combating Label Noise
par: Zhou, Yuyin, et autres
Publié: (2022)
par: Zhou, Yuyin, et autres
Publié: (2022)
Captain Safari: A World Engine with Pose-Aligned 3D Memory
par: Chou, Yu-Cheng, et autres
Publié: (2025)
par: Chou, Yu-Cheng, et autres
Publié: (2025)
OpenVision 2: A Family of Generative Pretrained Visual Encoders for Multimodal Learning
par: Liu, Yanqing, et autres
Publié: (2025)
par: Liu, Yanqing, et autres
Publié: (2025)
HQ-Edit: A High-Quality Dataset for Instruction-based Image Editing
par: Hui, Mude, et autres
Publié: (2024)
par: Hui, Mude, et autres
Publié: (2024)
ARFlow: Autoregressive Flow with Hybrid Linear Attention
par: Hui, Mude, et autres
Publié: (2025)
par: Hui, Mude, et autres
Publié: (2025)
FlowAR: Scale-wise Autoregressive Image Generation Meets Flow Matching
par: Ren, Sucheng, et autres
Publié: (2024)
par: Ren, Sucheng, et autres
Publié: (2024)
3D-TransUNet for Brain Metastases Segmentation in the BraTS2023 Challenge
par: Yang, Siwei, et autres
Publié: (2024)
par: Yang, Siwei, et autres
Publié: (2024)
Generative Image Layer Decomposition with Visual Effects
par: Yang, Jinrui, et autres
Publié: (2024)
par: Yang, Jinrui, et autres
Publié: (2024)
SCLIP: Rethinking Self-Attention for Dense Vision-Language Inference
par: Wang, Feng, et autres
Publié: (2023)
par: Wang, Feng, et autres
Publié: (2023)
An Image Is Worth Ten Thousand Words: Verbose-Text Induction Attacks on VLMs
par: Luo, Zhi, et autres
Publié: (2025)
par: Luo, Zhi, et autres
Publié: (2025)
A Picture is Worth More Than 77 Text Tokens: Evaluating CLIP-Style Models on Dense Captions
par: Urbanek, Jack, et autres
Publié: (2023)
par: Urbanek, Jack, et autres
Publié: (2023)
Revisiting Adversarial Training at Scale
par: Wang, Zeyu, et autres
Publié: (2024)
par: Wang, Zeyu, et autres
Publié: (2024)
VTok: A Unified Video Tokenizer with Decoupled Spatial-Temporal Latents
par: Wang, Feng, et autres
Publié: (2026)
par: Wang, Feng, et autres
Publié: (2026)
Beyond Next-Token: Next-X Prediction for Autoregressive Visual Generation
par: Ren, Sucheng, et autres
Publié: (2025)
par: Ren, Sucheng, et autres
Publié: (2025)
How Well Do Supervised 3D Models Transfer to Medical Imaging Tasks?
par: Li, Wenxuan, et autres
Publié: (2025)
par: Li, Wenxuan, et autres
Publié: (2025)
Documents similaires
-
Adventurer: Optimizing Vision Mamba Architecture Designs for Efficiency
par: Wang, Feng, et autres
Publié: (2024) -
Mamba-R: Vision Mamba ALSO Needs Registers
par: Wang, Feng, et autres
Publié: (2024) -
M-VAR: Decoupled Scale-wise Autoregressive Modeling for High-Quality Image Generation
par: Ren, Sucheng, et autres
Publié: (2024) -
RNN as Linear Transformer: A Closer Investigation into Representational Potentials of Visual Mamba Models
par: Yang, Timing, et autres
Publié: (2025) -
A Semantic Space is Worth 256 Language Descriptions: Make Stronger Segmentation Models with Descriptive Properties
par: Xiao, Junfei, et autres
Publié: (2023)