:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Caquilpan, Victor
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2507.11575
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

What matters when building vision-language models?
von: Laurençon, Hugo, et al.
Veröffentlicht: (2024)

Adapting the re-ID challenge for static sensors
von: Sundaresan, Avirath, et al.
Veröffentlicht: (2024)

Anatomy Might Be All You Need: Forecasting What to Do During Surgery
von: Sarwin, Gary, et al.
Veröffentlicht: (2025)

COLUMBUS: Evaluating COgnitive Lateral Understanding through Multiple-choice reBUSes
von: Kraaijveld, Koen, et al.
Veröffentlicht: (2024)

Stabilizing Unsupervised Self-Evolution of MLLMs via Continuous Softened Retracing reSampling
von: Yu, Yunyao, et al.
Veröffentlicht: (2026)

Building and better understanding vision-language models: insights and future directions
von: Laurençon, Hugo, et al.
Veröffentlicht: (2024)

CORE-ReID: Comprehensive Optimization and Refinement through Ensemble fusion in Domain Adaptation for person re-identification
von: Nguyen, Trinh Quoc, et al.
Veröffentlicht: (2025)

VidLPRO: A $\underline{Vid}$eo-$\underline{L}$anguage $\underline{P}$re-training Framework for $\underline{Ro}$botic and Laparoscopic Surgery
von: Honarmand, Mohammadmahdi, et al.
Veröffentlicht: (2024)

If you're waiting for a sign... that might not be it! Mitigating Trust Boundary Confusion from Visual Injections on Vision-Language Agentic Systems
von: Chang, Jiamin, et al.
Veröffentlicht: (2026)

What's in the Image? A Deep-Dive into the Vision of Vision Language Models
von: Kaduri, Omri, et al.
Veröffentlicht: (2024)

What Makes Multimodal In-Context Learning Work?
von: Baldassini, Folco Bertini, et al.
Veröffentlicht: (2024)

What does RL improve for Visual Reasoning? A Frankenstein-Style Analysis
von: Li, Xirui, et al.
Veröffentlicht: (2026)

What Sketch Explainability Really Means for Downstream Tasks
von: Bandyopadhyay, Hmrishav, et al.
Veröffentlicht: (2024)

What can Computer Vision learn from Ranganathan?
von: Bagchi, Mayukh, et al.
Veröffentlicht: (2026)

From Sora What We Can See: A Survey of Text-to-Video Generation
von: Sun, Rui, et al.
Veröffentlicht: (2024)

Exploring What Why and How: A Multifaceted Benchmark for Causation Understanding of Video Anomaly
von: Du, Hang, et al.
Veröffentlicht: (2024)

Uncovering What, Why and How: A Comprehensive Benchmark for Causation Understanding of Video Anomaly
von: Du, Hang, et al.
Veröffentlicht: (2024)

What You See is What You Ask: Evaluating Audio Descriptions
von: Kala, Divy, et al.
Veröffentlicht: (2025)

Pitfalls of defacing whole-head MRI: re-identification risk with diffusion models and compromised research potential
von: Gao, Chenyu, et al.
Veröffentlicht: (2025)

What Happens When: Learning Temporal Orders of Events in Videos
von: Ahn, Daechul, et al.
Veröffentlicht: (2025)

RewardFlow: Generate Images by Optimizing What You Reward
von: Susladkar, Onkar, et al.
Veröffentlicht: (2026)

What-Meets-Where: Unified Learning of Action and Contact Localization in Images
von: Wang, Yuxiao, et al.
Veröffentlicht: (2025)

Learning What to Trust: Bayesian Prior-Guided Optimization for Visual Generation
von: Liu, Ruiying, et al.
Veröffentlicht: (2025)

Guiding What Not to Generate: Automated Negative Prompting for Text-Image Alignment
von: Park, Sangha, et al.
Veröffentlicht: (2025)

What "Not" to Detect: Negation-Aware VLMs via Structured Reasoning and Token Merging
von: Kang, Inha, et al.
Veröffentlicht: (2025)

See What You Are Told: Visual Attention Sink in Large Multimodal Models
von: Kang, Seil, et al.
Veröffentlicht: (2025)

A Survey on Responsible Generative AI: What to Generate and What Not
von: Gu, Jindong
Veröffentlicht: (2024)

EmoCAM: Toward Understanding What Drives CNN-based Emotion Recognition
von: Doulfoukar, Youssef, et al.
Veröffentlicht: (2024)

What and When to Look?: Temporal Span Proposal Network for Video Relation Detection
von: Woo, Sangmin, et al.
Veröffentlicht: (2021)

Runner re-identification from single-view running video in the open-world setting
von: Suzuki, Tomohiro, et al.
Veröffentlicht: (2023)

Time Blindness: Why Video-Language Models Can't See What Humans Can?
von: Upadhyay, Ujjwal, et al.
Veröffentlicht: (2025)

AHA -- Predicting What Matters Next: Online Highlight Detection Without Looking Ahead
von: Chang, Aiden, et al.
Veröffentlicht: (2025)

What Users Leave Unsaid: Under-Specified Queries Limit Vision-Language Models
von: Choi, Dasol, et al.
Veröffentlicht: (2026)

AI-Generated Images: What Humans and Machines See When They Look at the Same Image
von: Poletti, Silvia, et al.
Veröffentlicht: (2026)

Person Re-ID in 2025: Supervised, Self-Supervised, and Language-Aligned. What Works?
von: Balasubramanian, Lakshman
Veröffentlicht: (2026)

What Makes LVLMs Hallucinate Less? Unveiling the Architectural Factors Behind Hallucination Robustness
von: He, Yusheng, et al.
Veröffentlicht: (2026)

Keep What Audio Cannot Say: Context-Preserving Token Pruning for Omni-LLMs
von: Jung, Chaeyoung, et al.
Veröffentlicht: (2026)

Learning What Matters: Prioritized Concept Learning via Relative Error-driven Sample Selection
von: Chandhok, Shivam, et al.
Veröffentlicht: (2025)

Count What You Want: Exemplar Identification and Few-shot Counting of Human Actions in the Wild
von: Huang, Yifeng, et al.
Veröffentlicht: (2023)

What Is That Talk About? A Video-to-Text Summarization Dataset for Scientific Presentations
von: Liu, Dongqi, et al.
Veröffentlicht: (2025)