Buchumschlag

MM-SeR: Multimodal Self-Refinement for Lightweight Image Captioning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Song, Junha, Jo, Yongsik, Min, So Yeon, Xie, Quanting, Kim, Taehwan, Bisk, Yonatan, Choo, Jaegul
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

Affordance RAG: Hierarchical Multimodal Retrieval with Affordance-Aware Embodied Memory for Mobile Manipulation
von: Korekata, Ryosuke, et al.
Veröffentlicht: (2025)

Towards Human-like Multimodal Conversational Agent by Generating Engaging Speech
von: Kim, Taesoo, et al.
Veröffentlicht: (2025)

Temporal In-Context Fine-Tuning with Temporal Reasoning for Versatile Control of Video Diffusion Models
von: Kim, Kinam, et al.
Veröffentlicht: (2025)

SelfSwapper: Self-Supervised Face Swapping via Shape Agnostic Masked AutoEncoder
von: Lee, Jaeseong, et al.
Veröffentlicht: (2024)

Tools Fail: Detecting Silent Errors in Faulty Tools
von: Sun, Jimin, et al.
Veröffentlicht: (2024)

MagiCapture: High-Resolution Multi-Concept Portrait Customization
von: Hyung, Junha, et al.
Veröffentlicht: (2023)

Skip-and-Play: Depth-Driven Pose-Preserved Image Generation for Any Objects
von: Jo, Kyungmin, et al.
Veröffentlicht: (2024)

Is user feedback always informative? Retrieval Latent Defending for Semi-Supervised Domain Adaptation without Source Data
von: Song, Junha, et al.
Veröffentlicht: (2024)

Reasoning about the Unseen for Efficient Outdoor Object Navigation
von: Xie, Quanting, et al.
Veröffentlicht: (2023)

Deeper, Sharper, Faster: Application of Efficient Transformer to Galaxy Image Restoration
von: Park, Hyosun, et al.
Veröffentlicht: (2024)

Infinite-Homography as Robust Conditioning for Camera-Controlled Video Generation
von: Kim, Min-Jung, et al.
Veröffentlicht: (2025)

Spatiotemporal Skip Guidance for Enhanced Video Diffusion Sampling
von: Hyung, Junha, et al.
Veröffentlicht: (2024)

Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation
von: Xie, Quanting, et al.
Veröffentlicht: (2024)

Learning to See What You Need: Gaze Attention for Multimodal Large Language Models
von: Song, Junha, et al.
Veröffentlicht: (2026)

Self-Regulation and Requesting Interventions
von: Min, So Yeon, et al.
Veröffentlicht: (2025)

Devil is in the Detail: Towards Injecting Fine Details of Image Prompt in Image Generation via Conflict-free Guidance and Stratified Attention
von: Jo, Kyungmin, et al.
Veröffentlicht: (2025)

RL makes MLLMs see better than SFT
von: Song, Junha, et al.
Veröffentlicht: (2025)

EgoX: Egocentric Video Generation from a Single Exocentric Video
von: Kang, Taewoong, et al.
Veröffentlicht: (2025)

Unsupervised Discovery of Long-Term Spatiotemporal Periodic Workflows in Human Activities
von: Yang, Fan, et al.
Veröffentlicht: (2025)

TCAN: Animating Human Images with Temporally Consistent Pose Guidance using Diffusion Models
von: Kim, Jeongho, et al.
Veröffentlicht: (2024)

Quantitative asymptotic stability of the quasi-linearly stratified densities in the IPM equation on the three fundamental domains
von: Jo, Min Jun, et al.
Veröffentlicht: (2022)

Scaling Up Personalized Image Aesthetic Assessment via Task Vector Customization
von: Yun, Jooyeol, et al.
Veröffentlicht: (2024)

High Torque Density PCB Axial Flux Permanent Magnet Motor for Micro Robots
von: Wang, Jianren, et al.
Veröffentlicht: (2025)

Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting
von: Hyung, Junha, et al.
Veröffentlicht: (2024)

Learning Model Successors
von: Chang, Yingshan, et al.
Veröffentlicht: (2025)

Language Models Need Inductive Biases to Count Inductively
von: Chang, Yingshan, et al.
Veröffentlicht: (2024)

Not the Example, but the Process: How Self-Generated Examples Enhance LLM Reasoning
von: Gwak, Daehoon, et al.
Veröffentlicht: (2026)

IndoorR2X: Indoor Robot-to-Everything Coordination with LLM-Driven Planning
von: Yang, Fan, et al.
Veröffentlicht: (2026)

EPIC: Effective Prompting for Imbalanced-Class Data Synthesis in Tabular Data Classification via Large Language Models
von: Kim, Jinhee, et al.
Veröffentlicht: (2024)

Bones Can't Be Triangles: Accurate and Efficient Vertebrae Keypoint Estimation through Collaborative Error Revision
von: Kim, Jinhee, et al.
Veröffentlicht: (2024)

Cross-Lingual Unlearning of Selective Knowledge in Multilingual Language Models
von: Choi, Minseok, et al.
Veröffentlicht: (2024)

TV-LiVE: Training-Free, Text-Guided Video Editing via Layer Informed Vitality Exploitation
von: Kim, Min-Jung, et al.
Veröffentlicht: (2025)

Vector Prism: Animating Vector Graphics by Stratifying Semantic Structure
von: Yun, Jooyeol, et al.
Veröffentlicht: (2025)

When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection
von: Kim, Dongmin, et al.
Veröffentlicht: (2023)

SynC: Synthetic Image Caption Dataset Refinement with One-to-many Mapping for Zero-shot Image Captioning
von: Kim, Si-Woo, et al.
Veröffentlicht: (2025)

Non-convergence of the rotating stratified flows toward the quasi-geostrophic dynamics
von: Jo, Min Jun, et al.
Veröffentlicht: (2022)

SurFhead: Affine Rig Blending for Geometrically Accurate 2D Gaussian Surfel Head Avatars
von: Lee, Jaeseong, et al.
Veröffentlicht: (2024)

InsertAnywhere: Bridging 4D Scene Geometry and Diffusion Models for Realistic Video Object Insertion
von: Jin, Hoiyeong, et al.
Veröffentlicht: (2025)

Attend-and-Refine: Interactive keypoint estimation and quantitative cervical vertebrae analysis for bone age assessment
von: Kim, Jinhee, et al.
Veröffentlicht: (2025)

ACG: Action Coherence Guidance for Flow-based Vision-Language-Action models
von: Park, Minho, et al.
Veröffentlicht: (2025)