Buchumschlag

BREEN: Bridge Data-Efficient Encoder-Free Multimodal Learning with Learnable Queries

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Tianle, Rao, Yongming, Hu, Winston, Cheng, Yu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Efficient Encoder-Free Fourier-based 3D Large Multimodal Model
von: Mei, Guofeng, et al.
Veröffentlicht: (2026)

MM-IQ: Benchmarking Human-Like Abstraction and Reasoning in Multimodal Models
von: Cai, Huanqia, et al.
Veröffentlicht: (2025)

Investigating Redundancy in Multimodal Large Language Models with Multiple Vision Encoders
von: Wang, Yizhou, et al.
Veröffentlicht: (2025)

ScalSelect: Scalable Training-Free Multimodal Data Selection for Efficient Visual Instruction Tuning
von: Wu, Changti, et al.
Veröffentlicht: (2026)

Are Unified Vision-Language Models Necessary: Generalization Across Understanding and Generation
von: Zhang, Jihai, et al.
Veröffentlicht: (2025)

Bridging the Dynamic Perception Gap: Training-Free Draft Chain-of-Thought for Dynamic Multimodal Spatial Reasoning
von: Ou, Siqu, et al.
Veröffentlicht: (2025)

Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models
von: Dong, Yuhao, et al.
Veröffentlicht: (2026)

Zoom-shot: Fast and Efficient Unsupervised Zero-Shot Transfer of CLIP to Vision Encoders with Multimodal Loss
von: Shipard, Jordan, et al.
Veröffentlicht: (2024)

Q-Zoom: Query-Aware Adaptive Perception for Efficient Multimodal Large Language Models
von: Shi, Yuheng, et al.
Veröffentlicht: (2026)

Efficient Learnable Collaborative Attention for Single Image Super-Resolution
von: Zheng, Yigang Zhao Chaowei, et al.
Veröffentlicht: (2024)

Visual Encoders for Data-Efficient Imitation Learning in Modern Video Games
von: Schäfer, Lukas, et al.
Veröffentlicht: (2023)

Localizing Events in Videos with Multimodal Queries
von: Zhang, Gengyuan, et al.
Veröffentlicht: (2024)

EVEv2: Improved Baselines for Encoder-Free Vision-Language Models
von: Diao, Haiwen, et al.
Veröffentlicht: (2025)

FROST-Drive: Scalable and Efficient End-to-End Driving with a Frozen Vision Encoder
von: Dong, Zeyu, et al.
Veröffentlicht: (2026)

Explaining How Visual, Textual and Multimodal Encoders Share Concepts
von: Cornet, Clément, et al.
Veröffentlicht: (2025)

QMoP: Query Guided Mixture-of-Projector for Efficient Visual Token Compression
von: Li, Zhongyang, et al.
Veröffentlicht: (2026)

CtrlSynth: Controllable Image Text Synthesis for Data-Efficient Multimodal Learning
von: Cao, Qingqing, et al.
Veröffentlicht: (2024)

Data-Free Group-Wise Fully Quantized Winograd Convolution via Learnable Scales
von: Pan, Shuokai, et al.
Veröffentlicht: (2024)

Fusion to Enhance: Fusion Visual Encoder to Enhance Multimodal Language Model
von: She, Yifei, et al.
Veröffentlicht: (2025)

SAEN-BGS: Energy-Efficient Spiking AutoEncoder Network for Background Subtraction
von: Zhang, Zhixuan, et al.
Veröffentlicht: (2025)

Efficient Egocentric Action Recognition with Multimodal Data
von: Calzavara, Marco, et al.
Veröffentlicht: (2025)

PathFound: An Agentic Multimodal Model Activating Evidence-seeking Pathological Diagnosis
von: Hua, Shengyi, et al.
Veröffentlicht: (2025)

DocSAM: Unified Document Image Segmentation via Query Decomposition and Heterogeneous Mixed Learning
von: Li, Xiao-Hui, et al.
Veröffentlicht: (2025)

Category Query Learning for Human-Object Interaction Classification
von: Xie, Chi, et al.
Veröffentlicht: (2023)

BridgeDiff: Bridging Human Observations and Flat-Garment Synthesis for Virtual Try-Off
von: Liu, Shuang, et al.
Veröffentlicht: (2026)

DaMO: A Data-Efficient Multimodal Orchestrator for Temporal Reasoning with Video LLMs
von: Chiu, Bo-Cheng, et al.
Veröffentlicht: (2025)

Single Image Reflection Separation via Dual Prior Interaction Transformer
von: Huang, Yue, et al.
Veröffentlicht: (2025)

M$^2$IV: Towards Efficient and Fine-grained Multimodal In-Context Learning via Representation Engineering
von: Li, Yanshu, et al.
Veröffentlicht: (2025)

Enhancing Perception Capabilities of Multimodal LLMs with Training-Free Fusion
von: Chen, Zhuokun, et al.
Veröffentlicht: (2024)

LFTR: Learning-Free Token Reduction for Multimodal Large Language Models
von: Zhao, Zihui, et al.
Veröffentlicht: (2025)

Dynamic Object Queries for Transformer-based Incremental Object Detection
von: Zhang, Jichuan, et al.
Veröffentlicht: (2024)

Mamba-VMR: Multimodal Query Augmentation via Generated Videos for Precise Temporal Grounding
von: Sun, Yunzhuo, et al.
Veröffentlicht: (2026)

VideoRouter: Query-Adaptive Dual Routing for Efficient Long-Video Understanding
von: Lin, Kuanwei, et al.
Veröffentlicht: (2026)

Efficient Low-Resolution Face Recognition via Bridge Distillation
von: Ge, Shiming, et al.
Veröffentlicht: (2024)

SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker
von: Su, Junbin, et al.
Veröffentlicht: (2026)

Learning to Pose Problems: Reasoning-Driven and Solver-Adaptive Data Synthesis
von: Wei, Yongxian, et al.
Veröffentlicht: (2025)

MIRe: Enhancing Multimodal Queries Representation via Fusion-Free Modality Interaction for Multimodal Retrieval
von: Ju, Yeong-Joon, et al.
Veröffentlicht: (2024)

Efficient Learning for Product Attributes with Compact Multimodal Models
von: Kulkarni, Mandar
Veröffentlicht: (2025)

Teacher Encoder-Student Decoder Denoising Guided Segmentation Network for Anomaly Detection
von: Song, Shixuan, et al.
Veröffentlicht: (2025)

Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI
von: Comas-Quiles, Gerard, et al.
Veröffentlicht: (2025)