Buchumschlag

Pretrained Image-Text Models are Secretly Video Captioners

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Chunhui, Jian, Yiren, Ouyang, Zhongyu, Vosoughi, Soroush
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Expedited Training of Visual Conditioned Language Generation via Redundancy Reduction
von: Jian, Yiren, et al.
Veröffentlicht: (2023)

Text-to-Image GAN with Pretrained Representations
von: You, Xiaozhou, et al.
Veröffentlicht: (2024)

Semantic Compositions Enhance Vision-Language Contrastive Learning
von: Aladago, Maxwell, et al.
Veröffentlicht: (2024)

Image Captions are Natural Prompts for Text-to-Image Models
von: Lei, Shiye, et al.
Veröffentlicht: (2023)

Learning to Rank Caption Chains for Video-Text Alignment
von: Blume, Ansel, et al.
Veröffentlicht: (2026)

Is Large-Scale Pretraining the Secret to Good Domain Generalization?
von: Teterwak, Piotr, et al.
Veröffentlicht: (2024)

CLIP with Quality Captions: A Strong Pretraining for Vision Tasks
von: Vasu, Pavan Kumar Anasosalu, et al.
Veröffentlicht: (2024)

Your Image is Secretly the Last Frame of a Pseudo Video
von: Chen, Wenlong, et al.
Veröffentlicht: (2024)

Modeling Image-Caption Rating from Comparative Judgments
von: Minni, Kezia, et al.
Veröffentlicht: (2026)

Modeling Caption Diversity in Contrastive Vision-Language Pretraining
von: Lavoie, Samuel, et al.
Veröffentlicht: (2024)

Structured Captions Improve Prompt Adherence in Text-to-Image Models (Re-LAION-Caption 19M)
von: Merchant, Nicholas, et al.
Veröffentlicht: (2025)

Unleashing Text-to-Image Diffusion Prior for Zero-Shot Image Captioning
von: Luo, Jianjie, et al.
Veröffentlicht: (2024)

TALC: Time-Aligned Captions for Multi-Scene Text-to-Video Generation
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

Foundation Model-oriented Robustness: Robust Image Model Evaluation with Pretrained Models
von: Zhang, Peiyan, et al.
Veröffentlicht: (2023)

OSCaR: Object State Captioning and State Change Representation
von: Nguyen, Nguyen, et al.
Veröffentlicht: (2024)

Fine-Grained Alignment and Noise Refinement for Compositional Text-to-Image Generation
von: Izadi, Amir Mohammad, et al.
Veröffentlicht: (2025)

Temporal Working Memory: Query-Guided Segment Refinement for Enhanced Multimodal Understanding
von: Diao, Xingjian, et al.
Veröffentlicht: (2025)

Scaled Supervision is an Implicit Lipschitz Regularizer
von: Ouyang, Zhongyu, et al.
Veröffentlicht: (2025)

Pixels to Prose: Understanding the art of Image Captioning
von: Singh, Hrishikesh, et al.
Veröffentlicht: (2024)

Recurrent Attention-based Token Selection for Efficient Streaming Video-LLMs
von: Dorovatas, Vaggelis, et al.
Veröffentlicht: (2025)

Infusing Environmental Captions for Long-Form Video Language Grounding
von: Lee, Hyogun, et al.
Veröffentlicht: (2024)

How to Train your Text-to-Image Model: Evaluating Design Choices for Synthetic Training Captions
von: Brack, Manuel, et al.
Veröffentlicht: (2025)

Linear Alignment of Vision-language Models for Image Captioning
von: Paischer, Fabian, et al.
Veröffentlicht: (2023)

IMAGINE-E: Image Generation Intelligence Evaluation of State-of-the-art Text-to-Image Models
von: Lei, Jiayi, et al.
Veröffentlicht: (2025)

Differentially Private Representation Learning via Image Captioning
von: Sander, Tom, et al.
Veröffentlicht: (2024)

Image Clustering via the Principle of Rate Reduction in the Age of Pretrained Models
von: Chu, Tianzhe, et al.
Veröffentlicht: (2023)

Temporal Object Captioning for Street Scene Videos from LiDAR Tracks
von: Gopinathan, Vignesh, et al.
Veröffentlicht: (2025)

ICC: Quantifying Image Caption Concreteness for Multimodal Dataset Curation
von: Yanuka, Moran, et al.
Veröffentlicht: (2024)

Contextualized Diffusion Models for Text-Guided Image and Video Generation
von: Yang, Ling, et al.
Veröffentlicht: (2024)

Whats in a Video: Factorized Autoregressive Decoding for Online Dense Video Captioning
von: Piergiovanni, AJ, et al.
Veröffentlicht: (2024)

Data Attribution for Text-to-Image Models by Unlearning Synthesized Images
von: Wang, Sheng-Yu, et al.
Veröffentlicht: (2024)

STAND: Semantic Anchoring Constraint with Dual-Granularity Disambiguation for Remote Sensing Image Change Captioning
von: Gong, Yanpei, et al.
Veröffentlicht: (2026)

FonTS: Text Rendering with Typography and Style Controls
von: Shi, Wenda, et al.
Veröffentlicht: (2024)

Generalizable Geometric Image Caption Synthesis
von: Xin, Yue, et al.
Veröffentlicht: (2025)

Fast Data Attribution for Text-to-Image Models
von: Wang, Sheng-Yu, et al.
Veröffentlicht: (2025)

Wolf: Dense Video Captioning with a World Summarization Framework
von: Li, Boyi, et al.
Veröffentlicht: (2024)

Stochastic Siamese MAE Pretraining for Longitudinal Medical Images
von: Emre, Taha, et al.
Veröffentlicht: (2025)

Detecting Backdoor Samples in Contrastive Language Image Pretraining
von: Huang, Hanxun, et al.
Veröffentlicht: (2025)

Time-to-Event Pretraining for 3D Medical Imaging
von: Huo, Zepeng, et al.
Veröffentlicht: (2024)

PMPGuard: Catching Pseudo-Matched Pairs in Remote Sensing Image-Text Retrieval
von: Ouyang, Pengxiang, et al.
Veröffentlicht: (2025)