Buchumschlag

A Matter of Time: Revealing the Structure of Time in Vision-Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tekaya, Nidham, Waldner, Manuela, Zeppelzauer, Matthias
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Information Retrieval Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation
von: He, Xiao, et al.
Veröffentlicht: (2025)

Image Complexity-Aware Adaptive Retrieval for Efficient Vision-Language Models
von: Williams-Lekuona, Mikel, et al.
Veröffentlicht: (2025)

CLIP-PING: Boosting Lightweight Vision-Language Models with Proximus Intrinsic Neighbors Guidance
von: Thwal, Chu Myaet, et al.
Veröffentlicht: (2024)

GMMFormer: Gaussian-Mixture-Model Based Transformer for Efficient Partially Relevant Video Retrieval
von: Wang, Yuting, et al.
Veröffentlicht: (2023)

A Comprehensive Survey on Composed Image Retrieval
von: Song, Xuemeng, et al.
Veröffentlicht: (2025)

A Survey of Multimodal Composite Editing and Retrieval
von: Li, Suyan, et al.
Veröffentlicht: (2024)

Generative Cross-Modal Retrieval: Memorizing Images in Multimodal Language Models for Retrieval and Beyond
von: Li, Yongqi, et al.
Veröffentlicht: (2024)

Cross-Modal Retrieval with Cauchy-Schwarz Divergence
von: Zhang, Jiahao, et al.
Veröffentlicht: (2025)

The CASTLE 2024 Dataset: Advancing the Art of Multimodal Understanding
von: Rossetto, Luca, et al.
Veröffentlicht: (2025)

PromptHash: Affinity-Prompted Collaborative Cross-Modal Learning for Adaptive Hashing Retrieval
von: Zou, Qiang, et al.
Veröffentlicht: (2025)

PhotoBench: Beyond Visual Matching Towards Personalized Intent-Driven Photo Retrieval
von: Xu, Tianyi, et al.
Veröffentlicht: (2026)

Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval
von: Fang, Xiang, et al.
Veröffentlicht: (2022)

Beyond Final Answers: CRYSTAL Benchmark for Transparent Multimodal Reasoning Evaluation
von: Barrios, Wayner, et al.
Veröffentlicht: (2026)

VeriTaS: The First Dynamic Benchmark for Multimodal Automated Fact-Checking
von: Rothermel, Mark, et al.
Veröffentlicht: (2026)

Very Efficient Listwise Multimodal Reranking for Long Documents
von: Sun, Yiqun, et al.
Veröffentlicht: (2026)

An Empirical Study of Excitation and Aggregation Design Adaptions in CLIP4Clip for Video-Text Retrieval
von: Jing, Xiaolun, et al.
Veröffentlicht: (2024)

MIRe: Enhancing Multimodal Queries Representation via Fusion-Free Modality Interaction for Multimodal Retrieval
von: Ju, Yeong-Joon, et al.
Veröffentlicht: (2024)

UCDR-Adapter: Exploring Adaptation of Pre-Trained Vision-Language Models for Universal Cross-Domain Retrieval
von: Jiang, Haoyu, et al.
Veröffentlicht: (2024)

LazyVLM: Neuro-Symbolic Approach to Video Analytics
von: Jian, Xiangru, et al.
Veröffentlicht: (2025)

Introduction of a tree-based technique for efficient and real-time label retrieval in the object tracking system
von: Benrazek, Ala-Eddine, et al.
Veröffentlicht: (2022)

DSRAG: A Domain-Specific Retrieval Framework Based on Document-derived Multimodal Knowledge Graph
von: Yang, Mengzheng, et al.
Veröffentlicht: (2025)

Composite Sketch+Text Queries for Retrieving Objects with Elusive Names and Complex Interactions
von: Gatti, Prajwal, et al.
Veröffentlicht: (2025)

MagicLens: Self-Supervised Image Retrieval with Open-Ended Instructions
von: Zhang, Kai, et al.
Veröffentlicht: (2024)

NativE: Multi-modal Knowledge Graph Completion in the Wild
von: Zhang, Yichi, et al.
Veröffentlicht: (2024)

From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents
von: Lian, Niu, et al.
Veröffentlicht: (2026)

Reverse Region-to-Entity Annotation for Pixel-Level Visual Entity Linking
von: Xu, Zhengfei, et al.
Veröffentlicht: (2024)

Benchmarking Multimodal Large Language Models for Missing Modality Completion in Product Catalogues
von: Fu, Junchen, et al.
Veröffentlicht: (2026)

A Comprehensive Survey of Knowledge-Based Vision Question Answering Systems: The Lifecycle of Knowledge in Visual Reasoning Task
von: Deng, Jiaqi, et al.
Veröffentlicht: (2025)

Enabling Collaborative Parametric Knowledge Calibration for Retrieval-Augmented Vision Question Answering
von: Deng, Jiaqi, et al.
Veröffentlicht: (2025)

Toward Automatic Relevance Judgment using Vision--Language Models for Image--Text Retrieval Evaluation
von: Yang, Jheng-Hong, et al.
Veröffentlicht: (2024)

Infinite Video Understanding
von: Zhang, Dell, et al.
Veröffentlicht: (2025)

Counteracting temporal attacks in Video Copy Detection
von: Fojcik, Katarzyna, et al.
Veröffentlicht: (2025)

PC$^2$: Pseudo-Classification Based Pseudo-Captioning for Noisy Correspondence Learning in Cross-Modal Retrieval
von: Duan, Yue, et al.
Veröffentlicht: (2024)

QuickGrasp: Responsive Video-Language Querying Service via Accelerated Tokenization and Edge-Augmented Inference
von: Zhang, Miao, et al.
Veröffentlicht: (2026)

Self-distilled Dynamic Fusion Network for Language-based Fashion Retrieval
von: Wu, Yiming, et al.
Veröffentlicht: (2024)

Generative AI for Video Trailer Synthesis: From Extractive Heuristics to Autoregressive Creativity
von: Dharmaratnakar, Abhishek, et al.
Veröffentlicht: (2026)

Towards Holistic Language-video Representation: the language model-enhanced MSR-Video to Text Dataset
von: Yang, Yuchen, et al.
Veröffentlicht: (2024)

VisTopics: A Visual Semantic Unsupervised Approach to Topic Modeling of Video and Image Data
von: Lokmanoglu, Ayse D, et al.
Veröffentlicht: (2025)

A Unified Optimal Transport Framework for Cross-Modal Retrieval with Noisy Labels
von: Han, Haochen, et al.
Veröffentlicht: (2024)

TelcoAI: Advancing 3GPP Technical Specification Search through Agentic Multi-Modal Retrieval-Augmented Generation
von: Ghosh, Rahul, et al.
Veröffentlicht: (2025)