Buchumschlag

Soft Tail-dropping for Adaptive Visual Tokenization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Zeyuan, Zhang, Kai, Tu, Zhuowen, Xiong, Yuanjun
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CVP: Central-Peripheral Vision-Inspired Multimodal Model for Spatial Reasoning
von: Chen, Zeyuan, et al.
Veröffentlicht: (2025)

AlignTok: Aligning Visual Foundation Encoders to Tokenizers for Diffusion Models
von: Chen, Bowei, et al.
Veröffentlicht: (2025)

Gaussian Swaying: Surface-Based Framework for Aerodynamic Simulation with 3D Gaussians
von: Yan, Hongru, et al.
Veröffentlicht: (2025)

TokenCompose: Text-to-Image Diffusion with Token-level Supervision
von: Wang, Zirui, et al.
Veröffentlicht: (2023)

C3Editor: Achieving Controllable Consistency in 2D Model for 3D Editing
von: Tao, Zeng, et al.
Veröffentlicht: (2025)

YOLO-Count: Differentiable Object Counting for Text-to-Image Generation
von: Zeng, Guanning, et al.
Veröffentlicht: (2025)

DepR: Depth Guided Single-view Scene Reconstruction with Instance-level Diffusion
von: Zhao, Qingcheng, et al.
Veröffentlicht: (2025)

Exploring the Equivalence of Closed-Set Generative and Real Data Augmentation in Image Classification
von: Wang, Haowen, et al.
Veröffentlicht: (2025)

ELODI: Ensemble Logit Difference Inhibition for Positive-Congruent Training
von: Zhao, Yue, et al.
Veröffentlicht: (2022)

OmniControlNet: Dual-stage Integration for Conditional Image Generation
von: Wang, Yilin, et al.
Veröffentlicht: (2024)

Bayesian Diffusion Models for 3D Shape Reconstruction
von: Xu, Haiyang, et al.
Veröffentlicht: (2024)

Restoration by Generation with Constrained Priors
von: Ding, Zheng, et al.
Veröffentlicht: (2023)

EVATok: Adaptive Length Video Tokenization for Efficient Visual Autoregressive Generation
von: Xiong, Tianwei, et al.
Veröffentlicht: (2026)

TokenCarve: Information-Preserving Visual Token Compression in Multimodal Large Language Models
von: Tan, Xudong, et al.
Veröffentlicht: (2025)

OverLayBench: A Benchmark for Layout-to-Image Generation with Dense Overlaps
von: Li, Bingnan, et al.
Veröffentlicht: (2025)

Machine Mental Imagery: Empower Multimodal Reasoning with Latent Visual Tokens
von: Yang, Zeyuan, et al.
Veröffentlicht: (2025)

TrimTokenator: Towards Adaptive Visual Token Pruning for Large Multimodal Models
von: Zhang, Hao, et al.
Veröffentlicht: (2025)

AffordanceLLM: Grounding Affordance from Vision Language Models
von: Qian, Shengyi, et al.
Veröffentlicht: (2024)

Image and Video Tokenization with Binary Spherical Quantization
von: Zhao, Yue, et al.
Veröffentlicht: (2024)

TrimTokenator-LC: Towards Adaptive Visual Token Pruning for Large Multimodal Models with Long Contexts
von: Zhang, Hao, et al.
Veröffentlicht: (2025)

ERASE: Eliminating Redundant Visual Tokens via Adaptive Two-Stage Token Pruning
von: Lee, Yuna, et al.
Veröffentlicht: (2026)

Open-World Dynamic Prompt and Continual Visual Representation Learning
von: Kim, Youngeun, et al.
Veröffentlicht: (2024)

KnapFormer: An Online Load Balancer for Efficient Diffusion Transformers Training
von: Zhang, Kai, et al.
Veröffentlicht: (2025)

HOIDiffusion: Generating Realistic 3D Hand-Object Interaction Data
von: Zhang, Mengqi, et al.
Veröffentlicht: (2024)

Feature Fusion from Head to Tail for Long-Tailed Visual Recognition
von: Li, Mengke, et al.
Veröffentlicht: (2023)

MergeTok: Unified Continuous and Discrete Visual Tokenization via Token Merging
von: Zhang, Luyuan, et al.
Veröffentlicht: (2026)

EchoingPixels: Cross-Modal Adaptive Token Reduction for Efficient Audio-Visual LLMs
von: Gong, Chao, et al.
Veröffentlicht: (2025)

Long-Tailed Continual Learning For Visual Food Recognition
von: He, Jiangpeng, et al.
Veröffentlicht: (2023)

Long-Tailed Visual Recognition via Permutation-Invariant Head-to-Tail Feature Fusion
von: Li, Mengke, et al.
Veröffentlicht: (2025)

Multi-Cue Adaptive Visual Token Pruning for Large Vision-Language Models
von: Luan, Bozhi, et al.
Veröffentlicht: (2025)

Lay-Your-Scene: Natural Scene Layout Generation with Diffusion Transformers
von: Srivastava, Divyansh, et al.
Veröffentlicht: (2025)

PruneVid: Visual Token Pruning for Efficient Video Large Language Models
von: Huang, Xiaohu, et al.
Veröffentlicht: (2024)

CARE: Class-Adaptive Expert Consensus for Reliable Learning with Long-Tailed Noisy Labels
von: Li, Mengke, et al.
Veröffentlicht: (2026)

Factorized Visual Tokenization and Generation
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

Improving Visual Prompt Tuning by Gaussian Neighborhood Minimization for Long-Tailed Visual Recognition
von: Li, Mengke, et al.
Veröffentlicht: (2024)

G$^2$TR: Generation-Guided Visual Token Reduction for Separate-Encoder Unified Multimodal Models
von: Li, Junxian, et al.
Veröffentlicht: (2026)

Less is More: Token-Efficient Video-QA via Adaptive Frame-Pruning and Semantic Graph Integration
von: Wang, Shaoguang, et al.
Veröffentlicht: (2025)

Energy-Driven Adaptive Visual Token Pruning for Efficient Vision-Language Models
von: He, Jialuo, et al.
Veröffentlicht: (2026)

Adaptive-VoCo: Complexity-Aware Visual Token Compression for Vision-Language Models
von: Guo, Xiaoyang, et al.
Veröffentlicht: (2025)

OTPrune: Distribution-Aligned Visual Token Pruning via Optimal Transport
von: Chen, Xiwen, et al.
Veröffentlicht: (2026)