Buchumschlag

LinMU: Multimodal Understanding Made Linear

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Hongjie, Jha, Niraj K.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning Multimedia Image and Video Processing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Zero-TPrune: Zero-Shot Token Pruning through Leveraging of the Attention Graph in Pre-Trained Transformers
von: Wang, Hongjie, et al.
Veröffentlicht: (2023)

LinGen: Towards High-Resolution Minute-Length Text-to-Video Generation with Linear Computational Complexity
von: Wang, Hongjie, et al.
Veröffentlicht: (2024)

Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights
von: Hashmi, Ammarah, et al.
Veröffentlicht: (2024)

Semantic-Aware Adaptive Video Streaming Using Latent Diffusion Models for Wireless Networks
von: Yan, Zijiang, et al.
Veröffentlicht: (2025)

Not Your Stereo-Typical Estimator: Combining Vision and Language for Volume Perception
von: Vinod, Gautham, et al.
Veröffentlicht: (2026)

RAPNet: A Receptive-Field Adaptive Convolutional Neural Network for Pansharpening
von: Tang, Tao, et al.
Veröffentlicht: (2025)

Mamba-360: Survey of State Space Models as Transformer Alternative for Long Sequence Modelling: Methods, Applications, and Challenges
von: Patro, Badri Narayana, et al.
Veröffentlicht: (2024)

Food Portion Estimation via 3D Object Scaling
von: Vinod, Gautham, et al.
Veröffentlicht: (2024)

VEMOCLAP: A video emotion classification web application
von: Sulun, Serkan, et al.
Veröffentlicht: (2024)

Health AI Developer Foundations
von: Kiraly, Atilla P., et al.
Veröffentlicht: (2024)

Improving Multi-label Recognition using Class Co-Occurrence Probabilities
von: Rawlekar, Samyak, et al.
Veröffentlicht: (2024)

FLOAT: Generative Motion Latent Flow Matching for Audio-driven Talking Portrait
von: Ki, Taekyung, et al.
Veröffentlicht: (2024)

MIND: A Noise-Adaptive Denoising Framework for Medical Images Integrating Multi-Scale Transformer
von: Tang, Tao, et al.
Veröffentlicht: (2025)

Scaling Up Single Image Dehazing Algorithm by Cross-Data Vision Alignment for Richer Representation Learning and Beyond
von: Shi, Yukai, et al.
Veröffentlicht: (2024)

Attention-Driven Training-Free Efficiency Enhancement of Diffusion Models
von: Wang, Hongjie, et al.
Veröffentlicht: (2024)

Movie Trailer Genre Classification Using Multimodal Pretrained Features
von: Sulun, Serkan, et al.
Veröffentlicht: (2024)

StreamingT2V: Consistent, Dynamic, and Extendable Long Video Generation from Text
von: Henschel, Roberto, et al.
Veröffentlicht: (2024)

SurFITR: A Dataset for Surveillance Image Forgery Detection and Localisation
von: Wang, Qizhou, et al.
Veröffentlicht: (2026)

EVAN: Evolutional Video Streaming Adaptation via Neural Representation
von: Liu, Mufan, et al.
Veröffentlicht: (2024)

Towards Blind Bitstream-corrupted Video Recovery via a Visual Foundation Model-driven Framework
von: Liu, Tianyi, et al.
Veröffentlicht: (2025)

CAMSIC: Content-aware Masked Image Modeling Transformer for Stereo Image Compression
von: Zhang, Xinjie, et al.
Veröffentlicht: (2024)

GaussianImage: 1000 FPS Image Representation and Compression by 2D Gaussian Splatting
von: Zhang, Xinjie, et al.
Veröffentlicht: (2024)

SegCompass: Exploring Interpretable Alignment with Sparse Autoencoders for Enhanced Reasoning Segmentation
von: Lu, Zhenyu, et al.
Veröffentlicht: (2026)

Spatial Visibility and Temporal Dynamics: Revolutionizing Field of View Prediction in Adaptive Point Cloud Video Streaming
von: Li, Chen, et al.
Veröffentlicht: (2024)

DietDelta: A Vision-Language Approach for Dietary Assessment via Before-and-After Images
von: Vinod, Gautham, et al.
Veröffentlicht: (2026)

Food Portion Estimation: From Pixels to Calories
von: Vinod, Gautham, et al.
Veröffentlicht: (2026)

VineetVC: Adaptive Video Conferencing Under Severe Bandwidth Constraints Using Audio-Driven Talking-Head Reconstruction
von: Rakesh, Vineet Kumar, et al.
Veröffentlicht: (2026)

Towards Real-world Video Face Restoration: A New Benchmark
von: Chen, Ziyan, et al.
Veröffentlicht: (2024)

Machine Perception-Driven Image Compression: A Layered Generative Approach
von: Zhang, Yuefeng, et al.
Veröffentlicht: (2023)

Change Detection Between Optical Remote Sensing Imagery and Map Data via Segment Anything Model (SAM)
von: Chen, Hongruixuan, et al.
Veröffentlicht: (2024)

Visual and Text Prompt Segmentation: A Novel Multi-Model Framework for Remote Sensing
von: Zi, Xing, et al.
Veröffentlicht: (2025)

PixelBoost: Leveraging Brownian Motion for Realistic-Image Super-Resolution
von: Mishra, Aradhana, et al.
Veröffentlicht: (2025)

RAISE: Realness Assessment for Image Synthesis and Evaluation
von: Mukherjee, Aniruddha, et al.
Veröffentlicht: (2025)

From Darkness to Detail: Frequency-Aware SSMs for Low-Light Vision
von: Adhikarla, Eashan, et al.
Veröffentlicht: (2024)

Optimal Transcoding Resolution Prediction for Efficient Per-Title Bitrate Ladder Estimation
von: Yang, Jinhai, et al.
Veröffentlicht: (2024)

HPC: Hierarchical Progressive Coding Framework for Volumetric Video
von: Zheng, Zihan, et al.
Veröffentlicht: (2024)

FineVQ: Fine-Grained User Generated Content Video Quality Assessment
von: Duan, Huiyu, et al.
Veröffentlicht: (2024)

Optimizing Multimodal LLMs for Egocentric Video Understanding: A Solution for the HD-EPIC VQA Challenge
von: Yang, Sicheng, et al.
Veröffentlicht: (2026)

NAIMA: Semantics Aware RGB Guided Depth Super-Resolution
von: Nasir, Tayyab, et al.
Veröffentlicht: (2026)

SCENE: Semantic-aware Codec Enhancement with Neural Embeddings
von: Lin, Han-Yu, et al.
Veröffentlicht: (2026)