Buchumschlag

Scaling Language-Free Visual Representation Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fan, David, Tong, Shengbang, Zhu, Jiachen, Sinha, Koustuv, Liu, Zhuang, Chen, Xinlei, Rabbat, Michael, Ballas, Nicolas, LeCun, Yann, Bar, Amir, Xie, Saining
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MetaMorph: Multimodal Understanding and Generation via Instruction Tuning
von: Tong, Shengbang, et al.
Veröffentlicht: (2024)

Gaussian Embeddings: How JEPAs Secretly Learn Your Data Density
von: Balestriero, Randall, et al.
Veröffentlicht: (2025)

Eyes Wide Shut? Exploring the Visual Shortcomings of Multimodal LLMs
von: Tong, Shengbang, et al.
Veröffentlicht: (2024)

V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning
von: Mur-Labadia, Lorenzo, et al.
Veröffentlicht: (2026)

Revisiting Feature Prediction for Learning Visual Representations from Video
von: Bardes, Adrien, et al.
Veröffentlicht: (2024)

Parallel Stochastic Gradient-Based Planning for World Models
von: Psenka, Michael, et al.
Veröffentlicht: (2026)

Beyond Language Modeling: An Exploration of Multimodal Pretraining
von: Tong, Shengbang, et al.
Veröffentlicht: (2026)

Learning Latent Action World Models In The Wild
von: Garrido, Quentin, et al.
Veröffentlicht: (2026)

Learning and Leveraging World Models in Visual Representation Learning
von: Garrido, Quentin, et al.
Veröffentlicht: (2024)

Transformers without Normalization
von: Zhu, Jiachen, et al.
Veröffentlicht: (2025)

Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders
von: Tong, Shengbang, et al.
Veröffentlicht: (2026)

A Lightweight Library for Energy-Based Joint-Embedding Predictive Architectures
von: Terver, Basile, et al.
Veröffentlicht: (2026)

Intuitive physics understanding emerges from self-supervised pretraining on natural videos
von: Garrido, Quentin, et al.
Veröffentlicht: (2025)

Stochastic positional embeddings improve masked image modeling
von: Bar, Amir, et al.
Veröffentlicht: (2023)

The Spike, the Sparse and the Sink: Anatomy of Massive Activations and Attention Sinks
von: Sun, Shangwen, et al.
Veröffentlicht: (2026)

Variance-Covariance Regularization Improves Representation Learning
von: Zhu, Jiachen, et al.
Veröffentlicht: (2023)

Diffusion Transformers with Representation Autoencoders
von: Zheng, Boyang, et al.
Veröffentlicht: (2025)

Fine-Tuning Large Vision-Language Models as Decision-Making Agents via Reinforcement Learning
von: Zhai, Yuexiang, et al.
Veröffentlicht: (2024)

Navigation World Models
von: Bar, Amir, et al.
Veröffentlicht: (2024)

Variance Covariance Regularization Enforces Pairwise Independence in Self-Supervised Representations
von: Mialon, Grégoire, et al.
Veröffentlicht: (2022)

Fast and Exact Enumeration of Deep Networks Partitions Regions
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence
von: Dawid, Anna, et al.
Veröffentlicht: (2023)

LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics
von: Balestriero, Randall, et al.
Veröffentlicht: (2025)

Learning by Reconstruction Produces Uninformative Features For Perception
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

Learning to See Before Seeing: Demystifying LLM Visual Priors from Language Pre-training
von: Han, Junlin, et al.
Veröffentlicht: (2025)

World Models for Learning Dexterous Hand-Object Interactions from Human Videos
von: Goswami, Raktim Gautam, et al.
Veröffentlicht: (2025)

Video Representation Learning with Joint-Embedding Predictive Architectures
von: Drozdov, Katrina, et al.
Veröffentlicht: (2024)

LLM-JEPA: Large Language Models Meet Joint Embedding Predictive Architectures
von: Huang, Hai, et al.
Veröffentlicht: (2025)

Forgotten Polygons: Multimodal Large Language Models are Shape-Blind
von: Rudman, William, et al.
Veröffentlicht: (2025)

Whole-Body Conditioned Egocentric Video Prediction
von: Bai, Yutong, et al.
Veröffentlicht: (2025)

URLOST: Unsupervised Representation Learning without Stationarity or Topology
von: Yun, Zeyu, et al.
Veröffentlicht: (2023)

Hierarchical Planning with Latent World Models
von: Zhang, Wancong, et al.
Veröffentlicht: (2026)

Does Representation Matter? Exploring Intermediate Layers in Large Language Models
von: Skean, Oscar, et al.
Veröffentlicht: (2024)

DINO-WM: World Models on Pre-trained Visual Features enable Zero-shot Planning
von: Zhou, Gaoyue, et al.
Veröffentlicht: (2024)

Semantic Tube Prediction: Beating LLM Data Efficiency with JEPA
von: Huang, Hai, et al.
Veröffentlicht: (2026)

Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science
von: Dupoux, Emmanuel, et al.
Veröffentlicht: (2026)

A hierarchical loss and its problems when classifying non-hierarchically
von: Wu, Cinna, et al.
Veröffentlicht: (2017)

Blockwise Self-Supervised Learning at Scale
von: Siddiqui, Shoaib Ahmed, et al.
Veröffentlicht: (2023)

VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning
von: Lin, Han, et al.
Veröffentlicht: (2024)

EgoPet: Egomotion and Interaction Data from an Animal's Perspective
von: Bar, Amir, et al.
Veröffentlicht: (2024)