Buchumschlag

WeMMU: Enhanced Bridging of Vision-Language Models and Diffusion Models via Noisy Query Tokens

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Jian, Yin, Dacheng, He, Xiaoxuan, Li, Yong, Rao, Fengyun, Lyu, Jing, Zhai, Wei, Cao, Yang, Zha, Zheng-Jun
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

MMAR: Towards Lossless Multi-Modal Auto-Regressive Probabilistic Modeling
von: Yang, Jian, et al.
Veröffentlicht: (2024)

TempFlow-GRPO: When Timing Matters for GRPO in Flow Models
von: He, Xiaoxuan, et al.
Veröffentlicht: (2025)

WeThink: Toward General-purpose Vision-Language Reasoning via Reinforcement Learning
von: Yang, Jie, et al.
Veröffentlicht: (2025)

SAIL: Self-Amplified Iterative Learning for Diffusion Model Alignment with Minimal Human Feedback
von: He, Xiaoxuan, et al.
Veröffentlicht: (2026)

REVERSE: Reinforcing Evidence Verification and Search for Agentic Image geo-localization
von: Li, Yong, et al.
Veröffentlicht: (2026)

Towards Sequence Modeling Alignment between Tokenizer and Autoregressive Model
von: Wu, Pingyu, et al.
Veröffentlicht: (2025)

WeDetect: Fast Open-Vocabulary Object Detection as Retrieval
von: Fu, Shenghao, et al.
Veröffentlicht: (2025)

Instant Preference Alignment for Text-to-Image Diffusion Models
von: Li, Yang, et al.
Veröffentlicht: (2025)

Improved Video VAE for Latent Video Diffusion Model
von: Wu, Pingyu, et al.
Veröffentlicht: (2024)

ViewPoint: Panoramic Video Generation with Pretrained Diffusion Models
von: Fang, Zixun, et al.
Veröffentlicht: (2025)

AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents
von: Yan, Shannan, et al.
Veröffentlicht: (2026)

Constrained Generative Modeling with Manually Bridged Diffusion Models
von: Naderiparizi, Saeid, et al.
Veröffentlicht: (2025)

R1-Onevision: Advancing Generalized Multimodal Reasoning through Cross-Modal Formalization
von: Yang, Yi, et al.
Veröffentlicht: (2025)

EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation
von: Wan, Zengyu, et al.
Veröffentlicht: (2025)

FlexSelect: Flexible Token Selection for Efficient Long Video Understanding
von: Zhang, Yunzhu, et al.
Veröffentlicht: (2025)

D-ORCA: Dialogue-Centric Optimization for Robust Audio-Visual Captioning
von: Tang, Changli, et al.
Veröffentlicht: (2026)

QMambaBSR: Burst Image Super-Resolution with Query State Space Model
von: Di, Xin, et al.
Veröffentlicht: (2024)

Probing Unlearned Diffusion Models: A Transferable Adversarial Attack Perspective
von: Han, Xiaoxuan, et al.
Veröffentlicht: (2024)

Efficient One-Step Diffusion Restoration Model with Compact Token Compression and Linear Attention
von: Qiao, Bingtian, et al.
Veröffentlicht: (2026)

Noisy Test-Time Adaptation in Vision-Language Models
von: Cao, Chentao, et al.
Veröffentlicht: (2025)

Exploring and Enhancing the Transfer of Distribution in Knowledge Distillation for Autoregressive Language Models
von: Rao, Jun, et al.
Veröffentlicht: (2024)

DART: Differentiable Dynamic Adaptive Region Tokenizer for Vision Foundation Models
von: Yin, Shicheng, et al.
Veröffentlicht: (2025)

DRM: Diffusion-based Reward Model With Step-wise Guidance
von: Zhang, Jaxon, et al.
Veröffentlicht: (2026)

Calculation of Temperature Action of Flat Steel Box Girder of Long‐Span Bridges Using a Joint Model of ARMA Mean and GARCH Variance
von: Jun Yang, et al.
Veröffentlicht: (2024)

ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models
von: Lai, Yingxin, et al.
Veröffentlicht: (2026)

ViViD: Video Virtual Try-on using Diffusion Models
von: Fang, Zixun, et al.
Veröffentlicht: (2024)

LEMON: Learning 3D Human-Object Interaction Relation from 2D Images
von: Yang, Yuhang, et al.
Veröffentlicht: (2023)

HERO: Human Reaction Generation from Videos
von: Yu, Chengjun, et al.
Veröffentlicht: (2025)

End-to-End Spatial-Temporal Transformer for Real-time 4D HOI Reconstruction
von: Zhang, Haoyu, et al.
Veröffentlicht: (2026)

TOUCH: Text-guided Controllable Generation of Free-Form Hand-Object Interactions
von: Han, Guangyi, et al.
Veröffentlicht: (2025)

PathMMU: A Massive Multimodal Expert-Level Benchmark for Understanding and Reasoning in Pathology
von: Sun, Yuxuan, et al.
Veröffentlicht: (2024)

HQ-CLIP: Leveraging Large Vision-Language Models to Create High-Quality Image-Text Datasets and CLIP Models
von: Wei, Zhixiang, et al.
Veröffentlicht: (2025)

Tokenization, Fusion and Decoupling: Bridging the Granularity Mismatch Between Large Language Models and Knowledge Graphs
von: Su, Siyue, et al.
Veröffentlicht: (2026)

Benchmarking Large Vision-Language Models via Directed Scene Graph for Comprehensive Image Captioning
von: Lu, Fan, et al.
Veröffentlicht: (2024)

WeGen: A Unified Model for Interactive Multimodal Generation as We Chat
von: Huang, Zhipeng, et al.
Veröffentlicht: (2025)

Restoring Noisy Demonstration for Imitation Learning With Diffusion Models
von: Chen, Shang-Fu, et al.
Veröffentlicht: (2025)

Anchoring Values in Temporal and Group Dimensions for Flow Matching Model Alignment
von: Shao, Yawen, et al.
Veröffentlicht: (2025)

NoisyEQA: Benchmarking Embodied Question Answering Against Noisy Queries
von: Wu, Tao, et al.
Veröffentlicht: (2024)

Instruction-Oriented Preference Alignment for Enhancing Multi-Modal Comprehension Capability of MLLMs
von: Wang, Zitian, et al.
Veröffentlicht: (2025)

ObjEmbed: Towards Universal Multimodal Object Embeddings
von: Fu, Shenghao, et al.
Veröffentlicht: (2026)