Buchumschlag

End-to-End Vision Tokenizer Tuning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Wenxuan, Zhang, Fan, Cui, Yufeng, Diao, Haiwen, Luo, Zhuoyan, Lu, Huchuan, Liu, Jing, Wang, Xinlong
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

Unveiling Encoder-Free Vision-Language Models
von: Diao, Haiwen, et al.
Veröffentlicht: (2024)

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

Autoregressive Video Generation without Vector Quantization
von: Deng, Haoge, et al.
Veröffentlicht: (2024)

UniPT: Universal Parallel Tuning for Transfer Learning with Efficient Parameter and Memory
von: Diao, Haiwen, et al.
Veröffentlicht: (2023)

Uniform Discrete Diffusion with Metric Path for Video Generation
von: Deng, Haoge, et al.
Veröffentlicht: (2025)

U-DECN: End-to-End Underwater Object Detection ConvNet with Improved DeNoising Training
von: Liu, Zhuoyan, et al.
Veröffentlicht: (2024)

DenseFusion-1M: Merging Vision Experts for Comprehensive Multimodal Perception
von: Li, Xiaotong, et al.
Veröffentlicht: (2024)

3UR-LLM: An End-to-End Multimodal Large Language Model for 3D Scene Understanding
von: Xiong, Haomiao, et al.
Veröffentlicht: (2025)

Deep Boosting Learning: A Brand-new Cooperative Approach for Image-Text Matching
von: Diao, Haiwen, et al.
Veröffentlicht: (2024)

VisionSelector: End-to-End Learnable Visual Token Compression for Efficient Multimodal LLMs
von: Zhu, Jiaying, et al.
Veröffentlicht: (2025)

OCRVerse: Towards Holistic OCR in End-to-End Vision-Language Models
von: Zhong, Yufeng, et al.
Veröffentlicht: (2026)

VISTA-Bench: Do Vision-Language Models Really Understand Visualized Text as Well as Pure Text?
von: Liu, Qing'an, et al.
Veröffentlicht: (2026)

Other Tokens Matter: Exploring Global and Local Features of Vision Transformers for Object Re-Identification
von: Wang, Yingquan, et al.
Veröffentlicht: (2024)

KARST: Multi-Kernel Kronecker Adaptation with Re-Scaling Transmission for Visual Classification
von: Zhu, Yue, et al.
Veröffentlicht: (2025)

Efficient and Explainable End-to-End Autonomous Driving via Masked Vision-Language-Action Diffusion
von: Zhang, Jiaru, et al.
Veröffentlicht: (2026)

GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning
von: Diao, Haiwen, et al.
Veröffentlicht: (2024)

VIFNet: An End-to-end Visible-Infrared Fusion Network for Image Dehazing
von: Yu, Meng, et al.
Veröffentlicht: (2024)

VisionLLM v2: An End-to-End Generalist Multimodal Large Language Model for Hundreds of Vision-Language Tasks
von: Wu, Jiannan, et al.
Veröffentlicht: (2024)

EVE: Towards End-to-End Video Subtitle Extraction with Vision-Language Models
von: Yu, Haiyang, et al.
Veröffentlicht: (2025)

Efficient Multi-Camera Tokenization with Triplanes for End-to-End Driving
von: Ivanovic, Boris, et al.
Veröffentlicht: (2025)

ORION: A Holistic End-to-End Autonomous Driving Framework by Vision-Language Instructed Action Generation
von: Fu, Haoyu, et al.
Veröffentlicht: (2025)

Diffusion Feedback Helps CLIP See Better
von: Wang, Wenxuan, et al.
Veröffentlicht: (2024)

ViLaD: A Large Vision Language Diffusion Framework for End-to-End Autonomous Driving
von: Cui, Can, et al.
Veröffentlicht: (2025)

MoTrans: Customized Motion Transfer with Text-driven Video Diffusion Models
von: Li, Xiaomin, et al.
Veröffentlicht: (2024)

SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning
von: Diao, Haiwen, et al.
Veröffentlicht: (2024)

MaskFuser: Masked Fusion of Joint Multi-Modal Tokenization for End-to-End Autonomous Driving
von: Duan, Yiqun, et al.
Veröffentlicht: (2024)

Exploring Dynamic Transformer for Efficient Object Tracking
von: Zhu, Jiawen, et al.
Veröffentlicht: (2024)

Differentiable NMS via Sinkhorn Matching for End-to-End Fabric Defect Detection
von: Lu, Zhengyang, et al.
Veröffentlicht: (2025)

End-to-End Driving with Online Trajectory Evaluation via BEV World Model
von: Li, Yingyan, et al.
Veröffentlicht: (2025)

Senna: Bridging Large Vision-Language Models and End-to-End Autonomous Driving
von: Jiang, Bo, et al.
Veröffentlicht: (2024)

The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding
von: Fan, Weichen, et al.
Veröffentlicht: (2025)

AutoVLA: A Vision-Language-Action Model for End-to-End Autonomous Driving with Adaptive Reasoning and Reinforcement Fine-Tuning
von: Zhou, Zewei, et al.
Veröffentlicht: (2025)

Exploring the Causality of End-to-End Autonomous Driving
von: Li, Jiankun, et al.
Veröffentlicht: (2024)

Enhancing End-to-End Autonomous Driving with Latent World Model
von: Li, Yingyan, et al.
Veröffentlicht: (2024)

End-to-End Autonomous Driving without Costly Modularization and 3D Manual Annotation
von: Guo, Mingzhe, et al.
Veröffentlicht: (2024)

Manipulation Facing Threats: Evaluating Physical Vulnerabilities in End-to-End Vision Language Action Models
von: Cheng, Hao, et al.
Veröffentlicht: (2024)

LMAD: Integrated End-to-End Vision-Language Model for Explainable Autonomous Driving
von: Song, Nan, et al.
Veröffentlicht: (2025)

FastDriveVLA: Efficient End-to-End Driving via Plug-and-Play Reconstruction-based Token Pruning
von: Cao, Jiajun, et al.
Veröffentlicht: (2025)

EVA-CLIP-18B: Scaling CLIP to 18 Billion Parameters
von: Sun, Quan, et al.
Veröffentlicht: (2024)

Magic Tokens: Select Diverse Tokens for Multi-modal Object Re-Identification
von: Zhang, Pingping, et al.
Veröffentlicht: (2024)