PixCLIP: Achieving Fine-grained Visual Language Understanding via Any-granularity Pixel-Text Alignment Learning
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Xiao, Yicheng, Chen, Yu, Ma, Haoxuan, Hong, Jiale, Li, Caorui, Wu, Lingxiang, Guo, Haiyun, Wang, Jinqiao |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
MaLoRA: Gated Modality LoRA for Key-Space Alignment in Multimodal LLM Fine-Tuning
par: Zheng, Xinhan, et autres
Publié: (2025)
par: Zheng, Xinhan, et autres
Publié: (2025)
PixelatedScatter: Arbitrary-level Visual Abstraction for Large-scale Multiclass Scatterplots
par: Guo, Ziheng, et autres
Publié: (2025)
par: Guo, Ziheng, et autres
Publié: (2025)
FineBadminton: A Multi-Level Dataset for Fine-Grained Badminton Video Understanding
par: He, Xusheng, et autres
Publié: (2025)
par: He, Xusheng, et autres
Publié: (2025)
Not Just What's There: Enabling CLIP to Comprehend Negated Visual Descriptions Without Fine-tuning
par: Xiao, Junhao, et autres
Publié: (2026)
par: Xiao, Junhao, et autres
Publié: (2026)
High-level Codes and Fine-grained Weights for Online Multi-modal Hashing Retrieval
par: Zhan, Yu-Wei, et autres
Publié: (2024)
par: Zhan, Yu-Wei, et autres
Publié: (2024)
Towards Alleviating Text-to-Image Retrieval Hallucination for CLIP in Zero-shot Learning
par: Wang, Hanyao, et autres
Publié: (2024)
par: Wang, Hanyao, et autres
Publié: (2024)
Cross Modal Fine-Grained Alignment via Granularity-Aware and Region-Uncertain Modeling
par: Liu, Jiale, et autres
Publié: (2025)
par: Liu, Jiale, et autres
Publié: (2025)
On the Brittleness of CLIP Text Encoders
par: Tran, Allie, et autres
Publié: (2025)
par: Tran, Allie, et autres
Publié: (2025)
Fine-grained Knowledge Graph-driven Video-Language Learning for Action Recognition
par: Zhang, Rui, et autres
Publié: (2024)
par: Zhang, Rui, et autres
Publié: (2024)
TUNA: Comprehensive Fine-grained Temporal Understanding Evaluation on Dense Dynamic Videos
par: Kong, Fanheng, et autres
Publié: (2025)
par: Kong, Fanheng, et autres
Publié: (2025)
TeMTG: Text-Enhanced Multi-Hop Temporal Graph Modeling for Audio-Visual Video Parsing
par: Chen, Yaru, et autres
Publié: (2025)
par: Chen, Yaru, et autres
Publié: (2025)
VSpeechLM: A Visual Speech Language Model for Visual Text-to-Speech Task
par: Wang, Yuyue, et autres
Publié: (2025)
par: Wang, Yuyue, et autres
Publié: (2025)
AVID: A Benchmark for Omni-Modal Audio-Visual Inconsistency Understanding via Agent-Driven Construction
par: Chen, Zixuan, et autres
Publié: (2026)
par: Chen, Zixuan, et autres
Publié: (2026)
A CLIP-based siamese approach for meme classification
par: Huertas-Tato, Javier, et autres
Publié: (2024)
par: Huertas-Tato, Javier, et autres
Publié: (2024)
Audio-Visual Separation with Hierarchical Fusion and Representation Alignment
par: Hu, Han, et autres
Publié: (2025)
par: Hu, Han, et autres
Publié: (2025)
CLIP Brings Better Features to Visual Aesthetics Learners
par: Xu, Liwu, et autres
Publié: (2023)
par: Xu, Liwu, et autres
Publié: (2023)
COPA: Efficient Vision-Language Pre-training Through Collaborative Object- and Patch-Text Alignment
par: Jiang, Chaoya, et autres
Publié: (2023)
par: Jiang, Chaoya, et autres
Publié: (2023)
VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models
par: Wang, Jiapeng, et autres
Publié: (2024)
par: Wang, Jiapeng, et autres
Publié: (2024)
G4G:A Generic Framework for High Fidelity Talking Face Generation with Fine-grained Intra-modal Alignment
par: Zhang, Juan, et autres
Publié: (2024)
par: Zhang, Juan, et autres
Publié: (2024)
ASAP: Advancing Semantic Alignment Promotes Multi-Modal Manipulation Detecting and Grounding
par: Zhang, Zhenxing, et autres
Publié: (2024)
par: Zhang, Zhenxing, et autres
Publié: (2024)
Pre-training CLIP against Data Poisoning with Optimal Transport-based Matching and Alignment
par: Zhang, Tong, et autres
Publié: (2025)
par: Zhang, Tong, et autres
Publié: (2025)
SpeechCraft: A Fine-grained Expressive Speech Dataset with Natural Language Description
par: Jin, Zeyu, et autres
Publié: (2024)
par: Jin, Zeyu, et autres
Publié: (2024)
Rebalancing Contrastive Alignment with Bottlenecked Semantic Increments in Text-Video Retrieval
par: Xiao, Jian, et autres
Publié: (2025)
par: Xiao, Jian, et autres
Publié: (2025)
Relationship Analysis of Image-Text Pair in SNS Posts
par: Nabeoka, Takuto, et autres
Publié: (2025)
par: Nabeoka, Takuto, et autres
Publié: (2025)
AniME: Adaptive Multi-Agent Planning for Long Animation Generation
par: Zhang, Lisai, et autres
Publié: (2025)
par: Zhang, Lisai, et autres
Publié: (2025)
UniF$^2$ace: A Unified Fine-grained Face Understanding and Generation Model
par: Li, Junzhe, et autres
Publié: (2025)
par: Li, Junzhe, et autres
Publié: (2025)
Harmonizing Pixels and Melodies: Maestro-Guided Film Score Generation and Composition Style Transfer
par: Qi, F., et autres
Publié: (2024)
par: Qi, F., et autres
Publié: (2024)
Towards Better Text-to-Image Generation Alignment via Attention Modulation
par: Wu, Yihang, et autres
Publié: (2024)
par: Wu, Yihang, et autres
Publié: (2024)
Is One-Shot In-Context Learning Helpful for Data Selection in Task-Specific Fine-Tuning of Multimodal LLMs?
par: An, Xiao, et autres
Publié: (2026)
par: An, Xiao, et autres
Publié: (2026)
SeeingSounds: Learning Audio-to-Visual Alignment via Text
par: Carnemolla, Simone, et autres
Publié: (2025)
par: Carnemolla, Simone, et autres
Publié: (2025)
Modeling Layout Reading Order as Ordering Relations for Visually-rich Document Understanding
par: Zhang, Chong, et autres
Publié: (2024)
par: Zhang, Chong, et autres
Publié: (2024)
Fine-grained Image Retrieval via Dual-Vision Adaptation
par: Jiang, Xin, et autres
Publié: (2025)
par: Jiang, Xin, et autres
Publié: (2025)
Can Multimodal Large Language Models Understand Spatial Relations?
par: Liu, Jingping, et autres
Publié: (2025)
par: Liu, Jingping, et autres
Publié: (2025)
Voices, Faces, and Feelings: Multi-modal Emotion-Cognition Captioning for Mental Health Understanding
par: Zhou, Zhiyuan, et autres
Publié: (2026)
par: Zhou, Zhiyuan, et autres
Publié: (2026)
DiffCL: A Diffusion-Based Contrastive Learning Framework with Semantic Alignment for Multimodal Recommendations
par: Song, Qiya, et autres
Publié: (2025)
par: Song, Qiya, et autres
Publié: (2025)
MemeCLIP: Leveraging CLIP Representations for Multimodal Meme Classification
par: Shah, Siddhant Bikram, et autres
Publié: (2024)
par: Shah, Siddhant Bikram, et autres
Publié: (2024)
PixelThink: Towards Efficient Chain-of-Pixel Reasoning
par: Wang, Song, et autres
Publié: (2025)
par: Wang, Song, et autres
Publié: (2025)
QMAVIS: Long Video-Audio Understanding using Fusion of Large Multimodal Models
par: Lin, Zixing, et autres
Publié: (2026)
par: Lin, Zixing, et autres
Publié: (2026)
Light Future: Multimodal Action Frame Prediction via InstructPix2Pix
par: Zhong, Zesen, et autres
Publié: (2025)
par: Zhong, Zesen, et autres
Publié: (2025)
XGC-AVis: Towards Audio-Visual Content Understanding with a Multi-Agent Collaborative System
par: Cao, Yuqin, et autres
Publié: (2025)
par: Cao, Yuqin, et autres
Publié: (2025)
Documents similaires
-
MaLoRA: Gated Modality LoRA for Key-Space Alignment in Multimodal LLM Fine-Tuning
par: Zheng, Xinhan, et autres
Publié: (2025) -
PixelatedScatter: Arbitrary-level Visual Abstraction for Large-scale Multiclass Scatterplots
par: Guo, Ziheng, et autres
Publié: (2025) -
FineBadminton: A Multi-Level Dataset for Fine-Grained Badminton Video Understanding
par: He, Xusheng, et autres
Publié: (2025) -
Not Just What's There: Enabling CLIP to Comprehend Negated Visual Descriptions Without Fine-tuning
par: Xiao, Junhao, et autres
Publié: (2026) -
High-level Codes and Fine-grained Weights for Online Multi-modal Hashing Retrieval
par: Zhan, Yu-Wei, et autres
Publié: (2024)