CaptionFormer: Unified Segmentation, Tracking, and Captioning for Spatio-Temporal Objects
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Fiastre, Gabriel, Yang, Antoine, Schmid, Cordelia |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Graph-Based Captioning: Enhancing Visual Descriptions by Interconnecting Region Captions
par: Hsieh, Yu-Guan, et autres
Publié: (2024)
par: Hsieh, Yu-Guan, et autres
Publié: (2024)
IG Captioner: Information Gain Captioners are Strong Zero-shot Classifiers
par: Yang, Chenglin, et autres
Publié: (2023)
par: Yang, Chenglin, et autres
Publié: (2023)
Semi-Supervised Image Captioning Considering Wasserstein Graph Matching
par: Yang, Yang
Publié: (2024)
par: Yang, Yang
Publié: (2024)
OSCaR: Object State Captioning and State Change Representation
par: Nguyen, Nguyen, et autres
Publié: (2024)
par: Nguyen, Nguyen, et autres
Publié: (2024)
LVD-2M: A Long-take Video Dataset with Temporally Dense Captions
par: Xiong, Tianwei, et autres
Publié: (2024)
par: Xiong, Tianwei, et autres
Publié: (2024)
Generalizable Geometric Image Caption Synthesis
par: Xin, Yue, et autres
Publié: (2025)
par: Xin, Yue, et autres
Publié: (2025)
TA-Prompting: Enhancing Video Large Language Models for Dense Video Captioning via Temporal Anchors
par: Cheng, Wei-Yuan, et autres
Publié: (2026)
par: Cheng, Wei-Yuan, et autres
Publié: (2026)
Interacted Object Grounding in Spatio-Temporal Human-Object Interactions
par: Liu, Xiaoyang, et autres
Publié: (2024)
par: Liu, Xiaoyang, et autres
Publié: (2024)
Unified Spatio-Temporal Token Scoring for Efficient Video VLMs
par: Zhang, Jianrui, et autres
Publié: (2026)
par: Zhang, Jianrui, et autres
Publié: (2026)
Temporal Object Captioning for Street Scene Videos from LiDAR Tracks
par: Gopinathan, Vignesh, et autres
Publié: (2025)
par: Gopinathan, Vignesh, et autres
Publié: (2025)
Structured Captions Improve Prompt Adherence in Text-to-Image Models (Re-LAION-Caption 19M)
par: Merchant, Nicholas, et autres
Publié: (2025)
par: Merchant, Nicholas, et autres
Publié: (2025)
Captured by Captions: On Memorization and its Mitigation in CLIP Models
par: Wang, Wenhao, et autres
Publié: (2025)
par: Wang, Wenhao, et autres
Publié: (2025)
Image Captions are Natural Prompts for Text-to-Image Models
par: Lei, Shiye, et autres
Publié: (2023)
par: Lei, Shiye, et autres
Publié: (2023)
SynC: Synthetic Image Caption Dataset Refinement with One-to-many Mapping for Zero-shot Image Captioning
par: Kim, Si-Woo, et autres
Publié: (2025)
par: Kim, Si-Woo, et autres
Publié: (2025)
CompCap: Improving Multimodal Large Language Models with Composite Captions
par: Chen, Xiaohui, et autres
Publié: (2024)
par: Chen, Xiaohui, et autres
Publié: (2024)
VeCLIP: Improving CLIP Training via Visual-enriched Captions
par: Lai, Zhengfeng, et autres
Publié: (2023)
par: Lai, Zhengfeng, et autres
Publié: (2023)
Curvature-Aware Captioning:Leveraging Geodesic Attention for 3D Scene Understanding
par: He, Ziyao, et autres
Publié: (2026)
par: He, Ziyao, et autres
Publié: (2026)
Dense Video Object Captioning from Disjoint Supervision
par: Zhou, Xingyi, et autres
Publié: (2023)
par: Zhou, Xingyi, et autres
Publié: (2023)
TALC: Time-Aligned Captions for Multi-Scene Text-to-Video Generation
par: Bansal, Hritik, et autres
Publié: (2024)
par: Bansal, Hritik, et autres
Publié: (2024)
RubiCap: Rubric-Guided Reinforcement Learning for Dense Image Captioning
par: Huang, Tzu-Heng, et autres
Publié: (2026)
par: Huang, Tzu-Heng, et autres
Publié: (2026)
Aligning Forest and Trees in Images & Long Captions for Visually Grounded Understanding
par: Woo, Byeongju, et autres
Publié: (2026)
par: Woo, Byeongju, et autres
Publié: (2026)
Grounded Video Caption Generation
par: Kazakos, Evangelos, et autres
Publié: (2024)
par: Kazakos, Evangelos, et autres
Publié: (2024)
Revisit Large-Scale Image-Caption Data in Pre-training Multimodal Foundation Models
par: Lai, Zhengfeng, et autres
Publié: (2024)
par: Lai, Zhengfeng, et autres
Publié: (2024)
QG-CoC: Question-Guided Chain-of-Captions for Large Multimodal Models
par: Kao, Kuei-Chun, et autres
Publié: (2025)
par: Kao, Kuei-Chun, et autres
Publié: (2025)
DynaStride: Dynamic Stride Windowing with MMCoT for Instructional Multi-Scene Captioning
par: Pham, Eddison, et autres
Publié: (2025)
par: Pham, Eddison, et autres
Publié: (2025)
Modeling Caption Diversity in Contrastive Vision-Language Pretraining
par: Lavoie, Samuel, et autres
Publié: (2024)
par: Lavoie, Samuel, et autres
Publié: (2024)
ALOHa: A New Measure for Hallucination in Captioning Models
par: Petryk, Suzanne, et autres
Publié: (2024)
par: Petryk, Suzanne, et autres
Publié: (2024)
MTA: Multimodal Task Alignment for BEV Perception and Captioning
par: Ma, Yunsheng, et autres
Publié: (2024)
par: Ma, Yunsheng, et autres
Publié: (2024)
Zero-Shot, But at What Cost? Unveiling the Hidden Overhead of MILS's LLM-CLIP Framework for Image Captioning
par: Benhammou, Yassir, et autres
Publié: (2025)
par: Benhammou, Yassir, et autres
Publié: (2025)
MoReVQA: Exploring Modular Reasoning Models for Video Question Answering
par: Min, Juhong, et autres
Publié: (2024)
par: Min, Juhong, et autres
Publié: (2024)
Pix2Cap-COCO: Advancing Visual Comprehension via Pixel-Level Captioning
par: You, Zuyao, et autres
Publié: (2025)
par: You, Zuyao, et autres
Publié: (2025)
Hyperdimensional Cross-Modal Alignment of Frozen Language and Image Models for Efficient Image Captioning
par: Dalvi, Abhishek, et autres
Publié: (2026)
par: Dalvi, Abhishek, et autres
Publié: (2026)
An Examination of the Robustness of Reference-Free Image Captioning Evaluation Metrics
par: Ahmadi, Saba, et autres
Publié: (2023)
par: Ahmadi, Saba, et autres
Publié: (2023)
Visual Lexicon: Rich Image Features in Language Space
par: Wang, XuDong, et autres
Publié: (2024)
par: Wang, XuDong, et autres
Publié: (2024)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach
par: Rai, Ayush K., et autres
Publié: (2023)
par: Rai, Ayush K., et autres
Publié: (2023)
How to Train your Text-to-Image Model: Evaluating Design Choices for Synthetic Training Captions
par: Brack, Manuel, et autres
Publié: (2025)
par: Brack, Manuel, et autres
Publié: (2025)
Mask Approximation Net: A Novel Diffusion Model Approach for Remote Sensing Change Captioning
par: Sun, Dongwei, et autres
Publié: (2024)
par: Sun, Dongwei, et autres
Publié: (2024)
Self-Captioning Multimodal Interaction Tuning: Amplifying Exploitable Redundancies for Robust Vision Language Models
par: Ryan, Yuriel, et autres
Publié: (2026)
par: Ryan, Yuriel, et autres
Publié: (2026)
CIC-BART-SSA: Controllable Image Captioning with Structured Semantic Augmentation
par: Basioti, Kalliopi, et autres
Publié: (2024)
par: Basioti, Kalliopi, et autres
Publié: (2024)
VoCap: Video Object Captioning and Segmentation from Any Prompt
par: Uijlings, Jasper, et autres
Publié: (2025)
par: Uijlings, Jasper, et autres
Publié: (2025)
Documents similaires
-
Graph-Based Captioning: Enhancing Visual Descriptions by Interconnecting Region Captions
par: Hsieh, Yu-Guan, et autres
Publié: (2024) -
IG Captioner: Information Gain Captioners are Strong Zero-shot Classifiers
par: Yang, Chenglin, et autres
Publié: (2023) -
Semi-Supervised Image Captioning Considering Wasserstein Graph Matching
par: Yang, Yang
Publié: (2024) -
OSCaR: Object State Captioning and State Change Representation
par: Nguyen, Nguyen, et autres
Publié: (2024) -
LVD-2M: A Long-take Video Dataset with Temporally Dense Captions
par: Xiong, Tianwei, et autres
Publié: (2024)