Buchumschlag

FIX-CLIP: Dual-Branch Hierarchical Contrastive Learning via Synthetic Captions for Better Understanding of Long Text

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Bingchao, Ning, Zhiwei, Ding, Jianyu, Gao, Xuanang, Li, Yin, Jiang, Dongsheng, Yang, Jie, Liu, Wei
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

CLIPS: An Enhanced CLIP Framework for Learning with Synthetic Captions
von: Liu, Yanqing, et al.
Veröffentlicht: (2024)

Parrot Captions Teach CLIP to Spot Text
von: Lin, Yiqi, et al.
Veröffentlicht: (2023)

CMF-IoU: Multi-Stage Cross-Modal Fusion 3D Object Detection with IoU Joint Prediction
von: Ning, Zhiwei, et al.
Veröffentlicht: (2025)

CultureCLIP: Empowering CLIP with Cultural Awareness through Synthetic Images and Contextualized Captions
von: Huang, Yuchen, et al.
Veröffentlicht: (2025)

Shot2Tactic-Caption: Multi-Scale Captioning of Badminton Videos for Tactical Understanding
von: Ding, Ning, et al.
Veröffentlicht: (2025)

Text-Queried Audio Source Separation via Hierarchical Modeling
von: Yin, Xinlei, et al.
Veröffentlicht: (2025)

Long Story Short: Disentangling Compositionality and Long-Caption Understanding in Contrastive VLMs
von: Salazar, Israfel, et al.
Veröffentlicht: (2025)

VITRIX-CLIPIN: Enhancing Fine-Grained Visual Understanding in CLIP via Instruction Editing Data and Long Captions
von: Wang, Ziteng, et al.
Veröffentlicht: (2025)

Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding
von: Jin, Jiayun, et al.
Veröffentlicht: (2026)

LatteCLIP: Unsupervised CLIP Fine-Tuning via LMM-Synthetic Texts
von: Cao, Anh-Quan, et al.
Veröffentlicht: (2024)

Hierarchical Long Video Understanding with Audiovisual Entity Cohesion and Agentic Search
von: Yin, Xinlei, et al.
Veröffentlicht: (2026)

Long-CLIP: Unlocking the Long-Text Capability of CLIP
von: Zhang, Beichen, et al.
Veröffentlicht: (2024)

Fore-Mamba3D: Mamba-based Foreground-Enhanced Encoding for 3D Object Detection
von: Ning, Zhiwei, et al.
Veröffentlicht: (2026)

VeCLIP: Improving CLIP Training via Visual-enriched Captions
von: Lai, Zhengfeng, et al.
Veröffentlicht: (2023)

Implicit Location-Caption Alignment via Complementary Masking for Weakly-Supervised Dense Video Captioning
von: Ge, Shiping, et al.
Veröffentlicht: (2024)

Multi-Prompting Decoder Helps Better Language Understanding
von: Cheng, Zifeng, et al.
Veröffentlicht: (2024)

Improving Text-To-Audio Models with Synthetic Captions
von: Kong, Zhifeng, et al.
Veröffentlicht: (2024)

Improving Text Generation on Images with Synthetic Captions
von: Koh, Jun Young, et al.
Veröffentlicht: (2024)

SignCLIP: Connecting Text and Sign Language by Contrastive Learning
von: Jiang, Zifan, et al.
Veröffentlicht: (2024)

SPECS: Specificity-Enhanced CLIP-Score for Long Image Caption Evaluation
von: Chen, Xiaofu, et al.
Veröffentlicht: (2025)

CLIP-Branches: Interactive Fine-Tuning for Text-Image Retrieval
von: Lülf, Christian, et al.
Veröffentlicht: (2024)

A Structural Inaccessibility Statement on the Escape Channel of the P vs NP Problem
von: Zhang, Bingchao
Veröffentlicht: (2026)

ANGO: A Next-Level Evaluation Benchmark For Generation-Oriented Language Models In Chinese Domain
von: Wang, Bingchao
Veröffentlicht: (2024)

V-ABS: Action-Observer Driven Beam Search for Dynamic Visual Reasoning
von: Ning, Zhiwei, et al.
Veröffentlicht: (2026)

Constrained Diffusion Models via Dual Training
von: Khalafi, Shervin, et al.
Veröffentlicht: (2024)

Dual-Branch Knowledge Distillation for Noise-Robust Synthetic Speech Detection
von: Fan, Cunhang, et al.
Veröffentlicht: (2023)

ShareGPT4Video: Improving Video Understanding and Generation with Better Captions
von: Chen, Lin, et al.
Veröffentlicht: (2024)

Learning Robust 3D Representation from CLIP via Dual Denoising
von: Luo, Shuqing, et al.
Veröffentlicht: (2024)

T-FIX: Text-Based Explanations with Features Interpretable to eXperts
von: Havaldar, Shreya, et al.
Veröffentlicht: (2025)

Hierarchical Context Merging: Better Long Context Understanding for Pre-trained LLMs
von: Song, Woomin, et al.
Veröffentlicht: (2024)

Caption-Driven Explainability: Probing CNNs for Bias via CLIP
von: Koller, Patrick, et al.
Veröffentlicht: (2025)

Mining Fine-Grained Image-Text Alignment for Zero-Shot Captioning via Text-Only Training
von: Qiu, Longtian, et al.
Veröffentlicht: (2024)

No Captions, No Problem: Captionless 3D-CLIP Alignment with Hard Negatives via CLIP Knowledge and LLMs
von: Sbrolli, Cristian, et al.
Veröffentlicht: (2024)

DouC: Dual-Branch CLIP for Training-Free Open-Vocabulary Segmentation
von: Zamini, Mohamad, et al.
Veröffentlicht: (2026)

From Contrast to Commonality: Audio Commonality Captioning for Enhanced Audio-Text Cross-modal Understanding in Multimodal LLMs
von: Jia, Yuhang, et al.
Veröffentlicht: (2025)

BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning
von: Gu, Jianyang, et al.
Veröffentlicht: (2025)

Zero-Shot Chinese Character Recognition via Global-Local Dual-Branch Alignment and Hierarchical Inference
von: Cao, Wei, et al.
Veröffentlicht: (2026)

Synthetic Image Detection with CLIP: Understanding and Assessing Predictive Cues
von: Willi, Marco, et al.
Veröffentlicht: (2026)

Captioning for Text-Video Retrieval via Dual-Group Direct Preference Optimization
von: Lee, Ji Soo, et al.
Veröffentlicht: (2025)

Improving Audio-Text Retrieval via Hierarchical Cross-Modal Interaction and Auxiliary Captions
von: Xin, Yifei, et al.
Veröffentlicht: (2023)