From Local Details to Global Context: Advancing Vision-Language Models with Attention-Based Selection
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Cai, Lincan, Kang, Jingxuan, Li, Shuang, Ma, Wenxuan, Xie, Binhui, Qin, Zhida, Liang, Jian |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Enhancing Cross-Modal Fine-Tuning with Gradually Intermediate Modality Generation
par: Cai, Lincan, et autres
Publié: (2024)
par: Cai, Lincan, et autres
Publié: (2024)
Learning Modality Knowledge Alignment for Cross-Modality Transfer
par: Ma, Wenxuan, et autres
Publié: (2024)
par: Ma, Wenxuan, et autres
Publié: (2024)
Global Context or Local Detail? Adaptive Visual Grounding for Hallucination Mitigation
par: Jiang, Yubo, et autres
Publié: (2026)
par: Jiang, Yubo, et autres
Publié: (2026)
Attention to Detail: Global-Local Attention for High-Resolution AI-Generated Image Detection
par: Han, Lawrence
Publié: (2026)
par: Han, Lawrence
Publié: (2026)
GLoD: Composing Global Contexts and Local Details in Image Generation
par: Yamada, Moyuru
Publié: (2024)
par: Yamada, Moyuru
Publié: (2024)
Image Tiling for High-Resolution Reasoning: Balancing Local Detail with Global Context
par: de Margerie, Anatole Jacquin, et autres
Publié: (2025)
par: de Margerie, Anatole Jacquin, et autres
Publié: (2025)
Image Super-Resolution Reconstruction Network based on Enhanced Swin Transformer via Alternating Aggregation of Local-Global Features
par: Huang, Yuming, et autres
Publié: (2023)
par: Huang, Yuming, et autres
Publié: (2023)
Seeing Like Radiologists: Context- and Gaze-Guided Vision-Language Pretraining for Chest X-rays
par: Liu, Kang, et autres
Publié: (2026)
par: Liu, Kang, et autres
Publié: (2026)
POLYCHARTQA: Benchmarking Large Vision-Language Models with Multilingual Chart Question Answering
par: Xu, Yichen, et autres
Publié: (2025)
par: Xu, Yichen, et autres
Publié: (2025)
Local-Global Context Aware Transformer for Language-Guided Video Segmentation
par: Liang, Chen, et autres
Publié: (2022)
par: Liang, Chen, et autres
Publié: (2022)
Local Attention Transformers for High-Detail Optical Flow Upsampling
par: Gielisse, Alexander, et autres
Publié: (2024)
par: Gielisse, Alexander, et autres
Publié: (2024)
How Well Can Vision Language Models See Image Details?
par: Gou, Chenhui, et autres
Publié: (2024)
par: Gou, Chenhui, et autres
Publié: (2024)
Linear Attention with Global Context: A Multipole Attention Mechanism for Vision and Physics
par: Colagrande, Alex, et autres
Publié: (2025)
par: Colagrande, Alex, et autres
Publié: (2025)
Mitigating Object Hallucinations in Large Vision-Language Models with Assembly of Global and Local Attention
par: An, Wenbin, et autres
Publié: (2024)
par: An, Wenbin, et autres
Publié: (2024)
DGL-RSIS: Decoupling Global Spatial Context and Local Class Semantics for Training-Free Remote Sensing Image Segmentation
par: Li, Boyi, et autres
Publié: (2025)
par: Li, Boyi, et autres
Publié: (2025)
Leveraging Spatial Attention and Edge Context for Optimized Feature Selection in Visual Localization
par: Istighfarin, Nanda Febri, et autres
Publié: (2024)
par: Istighfarin, Nanda Febri, et autres
Publié: (2024)
Visual Attention Never Fades: Selective Progressive Attention ReCalibration for Detailed Image Captioning in Multimodal Large Language Models
par: Jung, Mingi, et autres
Publié: (2025)
par: Jung, Mingi, et autres
Publié: (2025)
Ramen: Robust Test-Time Adaptation of Vision-Language Models with Active Sample Selection
par: Bao, Wenxuan, et autres
Publié: (2026)
par: Bao, Wenxuan, et autres
Publié: (2026)
ToSA: Token Selective Attention for Efficient Vision Transformers
par: Singh, Manish Kumar, et autres
Publié: (2024)
par: Singh, Manish Kumar, et autres
Publié: (2024)
DuoFormer: Leveraging Hierarchical Representations by Local and Global Attention Vision Transformer
par: Tang, Xiaoya, et autres
Publié: (2025)
par: Tang, Xiaoya, et autres
Publié: (2025)
Generative Dataset Distillation: Balancing Global Structure and Local Details
par: Li, Longzhen, et autres
Publié: (2024)
par: Li, Longzhen, et autres
Publié: (2024)
Photo3D: Advancing Photorealistic 3D Generation through Structure-Aligned Detail Enhancement
par: Liang, Xinyue, et autres
Publié: (2025)
par: Liang, Xinyue, et autres
Publié: (2025)
Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition
par: Gao, Yuefang, et autres
Publié: (2024)
par: Gao, Yuefang, et autres
Publié: (2024)
Tarsier2: Advancing Large Vision-Language Models from Detailed Video Description to Comprehensive Video Understanding
par: Yuan, Liping, et autres
Publié: (2025)
par: Yuan, Liping, et autres
Publié: (2025)
Online In-Context Distillation for Low-Resource Vision Language Models
par: Kang, Zhiqi, et autres
Publié: (2025)
par: Kang, Zhiqi, et autres
Publié: (2025)
Massive Activations are the Key to Local Detail Synthesis in Diffusion Transformers
par: Gan, Chaofan, et autres
Publié: (2025)
par: Gan, Chaofan, et autres
Publié: (2025)
One Last Attention for Your Vision-Language Model
par: Chen, Liang, et autres
Publié: (2025)
par: Chen, Liang, et autres
Publié: (2025)
Gaze into the Details: Locality-Sensitive Enhancement for OCTA Retinal Vessel Segmentation
par: Huang, Tuopusen, et autres
Publié: (2026)
par: Huang, Tuopusen, et autres
Publié: (2026)
Learning to Rank Pre-trained Vision-Language Models for Downstream Tasks
par: Ding, Yuhe, et autres
Publié: (2024)
par: Ding, Yuhe, et autres
Publié: (2024)
ROGLE: Robust Global-Local Alignment with Automated Region Supervision for Text-Based Person Search
par: Xie, Zequn, et autres
Publié: (2026)
par: Xie, Zequn, et autres
Publié: (2026)
DHCP: Detecting Hallucinations by Cross-modal Attention Pattern in Large Vision-Language Models
par: Zhang, Yudong, et autres
Publié: (2024)
par: Zhang, Yudong, et autres
Publié: (2024)
Not All Agents Matter: From Global Attention Dilution to Risk-Prioritized Game Planning
par: Ding, Kang, et autres
Publié: (2026)
par: Ding, Kang, et autres
Publié: (2026)
Unified Local and Global Attention Interaction Modeling for Vision Transformers
par: Nguyen, Tan, et autres
Publié: (2024)
par: Nguyen, Tan, et autres
Publié: (2024)
Multi-scale Information Sharing and Selection Network with Boundary Attention for Polyp Segmentation
par: Kang, Xiaolu, et autres
Publié: (2024)
par: Kang, Xiaolu, et autres
Publié: (2024)
Composed Vision-Language Retrieval for Skin Cancer Case Search via Joint Alignment of Global and Local Representations
par: Wang, Yuheng, et autres
Publié: (2026)
par: Wang, Yuheng, et autres
Publié: (2026)
Global-Local Detail Guided Transformer for Sea Ice Recognition in Optical Remote Sensing Images
par: Huang, Zhanchao, et autres
Publié: (2024)
par: Huang, Zhanchao, et autres
Publié: (2024)
FlexAttention for Efficient High-Resolution Vision-Language Models
par: Li, Junyan, et autres
Publié: (2024)
par: Li, Junyan, et autres
Publié: (2024)
Rethinking Causal Mask Attention for Vision-Language Inference
par: Pei, Xiaohuan, et autres
Publié: (2025)
par: Pei, Xiaohuan, et autres
Publié: (2025)
GalLoP: Learning Global and Local Prompts for Vision-Language Models
par: Lafon, Marc, et autres
Publié: (2024)
par: Lafon, Marc, et autres
Publié: (2024)
VisBias: Measuring Explicit and Implicit Social Biases in Vision Language Models
par: Huang, Jen-tse, et autres
Publié: (2025)
par: Huang, Jen-tse, et autres
Publié: (2025)
Documents similaires
-
Enhancing Cross-Modal Fine-Tuning with Gradually Intermediate Modality Generation
par: Cai, Lincan, et autres
Publié: (2024) -
Learning Modality Knowledge Alignment for Cross-Modality Transfer
par: Ma, Wenxuan, et autres
Publié: (2024) -
Global Context or Local Detail? Adaptive Visual Grounding for Hallucination Mitigation
par: Jiang, Yubo, et autres
Publié: (2026) -
Attention to Detail: Global-Local Attention for High-Resolution AI-Generated Image Detection
par: Han, Lawrence
Publié: (2026) -
GLoD: Composing Global Contexts and Local Details in Image Generation
par: Yamada, Moyuru
Publié: (2024)