Buchumschlag

SmartCLIP: Modular Vision-language Alignment with Identification Guarantees

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xie, Shaoan, Kong, Lingjing, Zheng, Yujia, Yao, Yu, Tang, Zeyu, Xing, Eric P., Chen, Guangyi, Zhang, Kun
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Self-Refinement of Vision-Language Models with Triangular Consistency
von: Deng, Yunlong, et al.
Veröffentlicht: (2025)

Partial Identifiability for Domain Adaptation
von: Kong, Lingjing, et al.
Veröffentlicht: (2023)

Advancing Reasoning in Diffusion Language Models with Denoising Process Rewards
von: Xie, Shaoan, et al.
Veröffentlicht: (2025)

Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality
von: Kong, Lingjing, et al.
Veröffentlicht: (2025)

Nonparametric Identification of Latent Concepts
von: Zheng, Yujia, et al.
Veröffentlicht: (2025)

Controllable Video Generation with Provable Disentanglement
von: Shen, Yifan, et al.
Veröffentlicht: (2025)

HiMo-CLIP: Modeling Semantic Hierarchy and Monotonicity in Vision-Language Alignment
von: Wu, Ruijia, et al.
Veröffentlicht: (2025)

Towards Understanding Extrapolation: a Causal Lens
von: Kong, Lingjing, et al.
Veröffentlicht: (2025)

Learning Discrete Concepts in Latent Hierarchical Models
von: Kong, Lingjing, et al.
Veröffentlicht: (2024)

Counterfactual Generation with Identifiability Guarantees
von: Yan, Hanqi, et al.
Veröffentlicht: (2024)

Learning by Analogy: A Causal Framework for Composition Generalization
von: Kong, Lingjing, et al.
Veröffentlicht: (2025)

Selection, Reflection and Self-Refinement: Revisit Reasoning Tasks via a Causal Lens
von: Deng, Yunlong, et al.
Veröffentlicht: (2025)

Causal Representation Learning from Multiple Distributions: A General Setting
von: Zhang, Kun, et al.
Veröffentlicht: (2024)

FG-CLIP 2: A Bilingual Fine-grained Vision-Language Alignment Model
von: Xie, Chunyu, et al.
Veröffentlicht: (2025)

Position: Mechanistic Interpretability Should Prioritize Feature Consistency in SAEs
von: Song, Xiangchen, et al.
Veröffentlicht: (2025)

FG-CLIP: Fine-Grained Visual and Textual Alignment
von: Xie, Chunyu, et al.
Veröffentlicht: (2025)

ProCLIP: Progressive Vision-Language Alignment via LLM-based Embedder
von: Hu, Xiaoxing, et al.
Veröffentlicht: (2025)

Cascade-CLIP: Cascaded Vision-Language Embeddings Alignment for Zero-Shot Semantic Segmentation
von: Li, Yunheng, et al.
Veröffentlicht: (2024)

Unsupervised Synthetic Image Attribution: Alignment and Disentanglement
von: Liu, Zongfang, et al.
Veröffentlicht: (2026)

ResCLIP: Residual Attention for Training-free Dense Vision-language Inference
von: Yang, Yuhang, et al.
Veröffentlicht: (2024)

LET-US: Long Event-Text Understanding of Scenes
von: Chen, Rui, et al.
Veröffentlicht: (2025)

Rethinking CLIP-based Video Learners in Cross-Domain Open-Vocabulary Action Recognition
von: Lin, Kun-Yu, et al.
Veröffentlicht: (2024)

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

MoralCLIP: Contrastive Alignment of Vision-and-Language Representations with Moral Foundations Theory
von: Condez, Ana Carolina, et al.
Veröffentlicht: (2025)

Vision-G1: Towards General Vision Language Reasoning with Multi-Domain Data Curation
von: Zha, Yuheng, et al.
Veröffentlicht: (2025)

CLIP-HandID: Vision-Language Model for Hand-Based Person Identification
von: Baisa, Nathanael L., et al.
Veröffentlicht: (2025)

Seeing What Matters: Empowering CLIP with Patch Generation-to-Selection
von: Pei, Gensheng, et al.
Veröffentlicht: (2025)

Synergy Between Sufficient Changes and Sparse Mixing Procedure for Disentangled Representation Learning
von: Li, Zijian, et al.
Veröffentlicht: (2025)

A Progressive Framework of Vision-language Knowledge Distillation and Alignment for Multilingual Scene
von: Zhang, Wenbo, et al.
Veröffentlicht: (2024)

$β$-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment
von: Zohra, Fatimah, et al.
Veröffentlicht: (2025)

CLIP-Map: Structured Matrix Mapping for Parameter-Efficient CLIP Compression
von: Zhang, Kangjie, et al.
Veröffentlicht: (2026)

Causal Representation Learning from Multimodal Biomedical Observations
von: Sun, Yuewen, et al.
Veröffentlicht: (2024)

Proto-CLIP: Vision-Language Prototypical Network for Few-Shot Learning
von: P, Jishnu Jaykumar, et al.
Veröffentlicht: (2023)

CapCLIP: A Vision-Language Representation Alignment Approach for Wireless Capsule Endoscopy Analysis
von: Wahab, Haroon, et al.
Veröffentlicht: (2026)

From Generalist to Specialist Representation
von: Zheng, Yujia, et al.
Veröffentlicht: (2026)

IsoCLIP: Decomposing CLIP Projectors for Efficient Intra-modal Alignment
von: Magistri, Simone, et al.
Veröffentlicht: (2026)

Linear Alignment of Vision-language Models for Image Captioning
von: Paischer, Fabian, et al.
Veröffentlicht: (2023)

CLAP4CLIP: Continual Learning with Probabilistic Finetuning for Vision-Language Models
von: Jha, Saurav, et al.
Veröffentlicht: (2024)

ClearCLIP: Decomposing CLIP Representations for Dense Vision-Language Inference
von: Lan, Mengcheng, et al.
Veröffentlicht: (2024)

CLIP Based Region-Aware Feature Fusion for Automated BBPS Scoring in Colonoscopy Images
von: Fu, Yujia, et al.
Veröffentlicht: (2025)