Buchumschlag

Seeing Right but Saying Wrong: Inter- and Intra-Layer Refinement in MLLMs without Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Song, Shezheng, Li, Shasha, Yu, Jie
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Where Does Vision Meet Language? Understanding and Refining Visual Fusion in MLLMs via Contrastive Attention
von: Song, Shezheng, et al.
Veröffentlicht: (2026)

A Dual-way Enhanced Framework from Text Matching Point of View for Multimodal Entity Linking
von: Song, Shezheng, et al.
Veröffentlicht: (2023)

How to Bridge the Gap between Modalities: Survey on Multimodal Large Language Model
von: Song, Shezheng, et al.
Veröffentlicht: (2023)

DWE+: Dual-Way Matching Enhanced Framework for Multimodal Entity Linking
von: Song, Shezheng, et al.
Veröffentlicht: (2024)

Do MLLMs Really See It: Reinforcing Visual Attention in Multimodal LLMs
von: Ou, Siqu, et al.
Veröffentlicht: (2026)

Right Looks, Wrong Reasons: Compositional Fidelity in Text-to-Image Generation
von: Vatsa, Mayank, et al.
Veröffentlicht: (2025)

Seeing vs. Believing: Evaluating the Language Bias of Open-Source MLLMs in Counter-Intuitive Scenes
von: Ling, Chen, et al.
Veröffentlicht: (2026)

See it. Say it. Sorted: Agentic System for Compositional Diagram Generation
von: Zhang, Hantao, et al.
Veröffentlicht: (2025)

Can NeRFs See without Cameras?
von: Amballa, Chaitanya, et al.
Veröffentlicht: (2025)

I Am Big, You Are Little; I Am Right, You Are Wrong
von: Kelly, David A., et al.
Veröffentlicht: (2025)

DuetFair: Coupling Inter- and Intra-Subgroup Robustness for Fair Medical Image Segmentation
von: Tian, Yiqi, et al.
Veröffentlicht: (2026)

Dense Connector for MLLMs
von: Yao, Huanjin, et al.
Veröffentlicht: (2024)

RASA: Replace Anyone, Say Anything -- A Training-Free Framework for Audio-Driven and Universal Portrait Video Editing
von: Pan, Tianrui, et al.
Veröffentlicht: (2025)

Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery
von: Wan, Xinhang, et al.
Veröffentlicht: (2025)

See&Trek: Training-Free Spatial Prompting for Multimodal Large Language Model
von: Li, Pengteng, et al.
Veröffentlicht: (2025)

Seeing is Improving: Visual Feedback for Iterative Text Layout Refinement
von: Guo, Junrong, et al.
Veröffentlicht: (2026)

Learning with Alignments: Tackling the Inter- and Intra-domain Shifts for Cross-multidomain Facial Expression Recognition
von: Yang, Yuxiang, et al.
Veröffentlicht: (2024)

Leveraging Static Relationships for Intra-Type and Inter-Type Message Passing in Video Question Answering
von: Liang, Lili, et al.
Veröffentlicht: (2025)

From Training-Free to Adaptive: Empirical Insights into MLLMs' Understanding of Detection Information
von: Jiao, Qirui, et al.
Veröffentlicht: (2024)

See Detail Say Clear: Towards Brain CT Report Generation via Pathological Clue-driven Representation Learning
von: Zheng, Chengxin, et al.
Veröffentlicht: (2024)

MOSABench: Multi-Object Sentiment Analysis Benchmark for Evaluating Multimodal Large Language Models Understanding of Complex Image
von: Song, Shezheng, et al.
Veröffentlicht: (2024)

PunchBench: Benchmarking MLLMs in Multimodal Punchline Comprehension
von: Ouyang, Kun, et al.
Veröffentlicht: (2024)

KAN See In the Dark
von: Ning, Aoxiang, et al.
Veröffentlicht: (2024)

360° Image Perception with MLLMs: A Comprehensive Benchmark and a Training-Free Method
von: Tran, Huyen T. T., et al.
Veröffentlicht: (2026)

Unlocking the Forgery Detection Potential of Vanilla MLLMs: A Novel Training-Free Pipeline
von: Zuo, Rui, et al.
Veröffentlicht: (2025)

Refining Pre-Trained Motion Models
von: Sun, Xinglong, et al.
Veröffentlicht: (2024)

Seeing Clearly by Layer Two: Enhancing Attention Heads to Alleviate Hallucination in LVLMs
von: Zhang, Xiaofeng, et al.
Veröffentlicht: (2024)

Exploring the Underwater World Segmentation without Extra Training
von: Li, Bingyu, et al.
Veröffentlicht: (2025)

CrystaL: Spontaneous Emergence of Visual Latents in MLLMs
von: Zhang, Yang, et al.
Veröffentlicht: (2026)

Fast Wrong-way Cycling Detection in CCTV Videos: Sparse Sampling is All You Need
von: Xu, Jing, et al.
Veröffentlicht: (2024)

Automated Radiographic Total Sharp Score (ARTSS) in Rheumatoid Arthritis: A Solution to Reduce Inter-Intra Reader Variation and Enhancing Clinical Practice
von: Moradmand, Hajar, et al.
Veröffentlicht: (2025)

Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition
von: Xie, Haoyu, et al.
Veröffentlicht: (2025)

Inter- and Intra-image Refinement for Few Shot Segmentation
von: Fu, Ourui, et al.
Veröffentlicht: (2025)

See in Depth: Training-Free Surgical Scene Segmentation with Monocular Depth Priors
von: Yang, Kunyi, et al.
Veröffentlicht: (2025)

SOWing Information: Cultivating Contextual Coherence with MLLMs in Image Generation
von: Pei, Yuhan, et al.
Veröffentlicht: (2024)

Right this way: Can VLMs Guide Us to See More to Answer Questions?
von: Liu, Li, et al.
Veröffentlicht: (2024)

Med-Scout: Curing MLLMs' Geometric Blindness in Medical Perception via Geometry-Aware RL Post-Training
von: Liu, Anglin, et al.
Veröffentlicht: (2026)

Thinking Ahead: Foresight Intelligence in MLLMs and World Models
von: Gong, Zhantao, et al.
Veröffentlicht: (2025)

Unmasking Bias in Diffusion Model Training
von: Yu, Hu, et al.
Veröffentlicht: (2023)

IDPruner: Harmonizing Importance and Diversity in Visual Token Pruning for MLLMs
von: Tan, Yifan, et al.
Veröffentlicht: (2026)