Buchumschlag

Enhancing Multi-Image Understanding through Delimiter Token Scaling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lee, Minyoung, Park, Yeji, Hwang, Dongjun, Kim, Yejin, Oh, Seong Joon, Choe, Junsuk
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

OVS Meets Continual Learning: Towards Sustainable Open-Vocabulary Segmentation
von: Hwang, Dongjun, et al.
Veröffentlicht: (2024)

Mitigating Cross-Image Information Leakage in LVLMs for Multi-Image Tasks
von: Park, Yeji, et al.
Veröffentlicht: (2025)

ConVis: Contrastive Decoding with Hallucination Visualization for Mitigating Hallucinations in Multimodal Large Language Models
von: Park, Yeji, et al.
Veröffentlicht: (2024)

LMLT: Low-to-high Multi-Level Vision Transformer for Image Super-Resolution
von: Kim, Jeongsoo, et al.
Veröffentlicht: (2024)

Rethinking the Use of Vision Transformers for AI-Generated Image Detection
von: Park, NaHyeon, et al.
Veröffentlicht: (2025)

Weakly Supervised Semantic Segmentation for Driving Scenes
von: Kim, Dongseob, et al.
Veröffentlicht: (2023)

ECCV Caption: Correcting False Negatives by Collecting Machine-and-Human-verified Image-Caption Associations for MS-COCO
von: Chun, Sanghyuk, et al.
Veröffentlicht: (2022)

What "Not" to Detect: Negation-Aware VLMs via Structured Reasoning and Token Merging
von: Kang, Inha, et al.
Veröffentlicht: (2025)

Diffusion Classifiers Understand Compositionality, but Conditions Apply
von: Jeong, Yujin, et al.
Veröffentlicht: (2025)

ViKey: Enhancing Temporal Understanding in Videos via Visual Prompting
von: Lee, Yeonkyung, et al.
Veröffentlicht: (2026)

FAR-Net: Multi-Stage Fusion Network with Enhanced Semantic Alignment and Adaptive Reconciliation for Composed Image Retrieval
von: Park, Jeong-Woo, et al.
Veröffentlicht: (2025)

DynaTok: Temporally Adaptive and Positional Bias-Aware Token Compression for Video-LLMs
von: Park, Minyoung, et al.
Veröffentlicht: (2026)

Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions
von: Park, Sanguk, et al.
Veröffentlicht: (2021)

Sampling Bag of Views for Open-Vocabulary Object Detection
von: Choi, Hojun, et al.
Veröffentlicht: (2024)

Spatial Transport Optimization by Repositioning Attention Map for Training-Free Text-to-Image Synthesis
von: Han, Woojung, et al.
Veröffentlicht: (2025)

Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction
von: Kim, Jin Hyeon, et al.
Veröffentlicht: (2026)

Domain Generalizable Person Search Using Unreal Dataset
von: Oh, Minyoung, et al.
Veröffentlicht: (2024)

GroupCoOp: Group-robust Fine-tuning via Group Prompt Learning
von: Kim, Nayeong, et al.
Veröffentlicht: (2025)

Multimodal UNcommonsense: From Odd to Ordinary and Ordinary to Odd
von: Son, Yejin, et al.
Veröffentlicht: (2026)

Lifelong Person Re-Identification with Backward-Compatibility
von: Oh, Minyoung, et al.
Veröffentlicht: (2024)

Half-Truths Break Similarity-Based Retrieval
von: Kargi, Bora, et al.
Veröffentlicht: (2026)

On the rankability of visual embeddings
von: Sonthalia, Ankit, et al.
Veröffentlicht: (2025)

Local Representative Token Guided Merging for Text-to-Image Generation
von: Lee, Min-Jeong, et al.
Veröffentlicht: (2025)

Robust Image Self-Recovery against Tampering using Watermark Generation with Pixel Shuffling
von: Kim, Minyoung, et al.
Veröffentlicht: (2025)

Structured State-Space Regularization for Generation-Friendly Image Tokenization
von: Lee, Jinsung, et al.
Veröffentlicht: (2026)

MCoT-RE: Multi-Faceted Chain-of-Thought and Re-Ranking for Training-Free Zero-Shot Composed Image Retrieval
von: Park, Jeong-Woo, et al.
Veröffentlicht: (2025)

ReFlex: Text-Guided Editing of Real Images in Rectified Flow via Mid-Step Feature Extraction and Attention Adaptation
von: Kim, Jimyeong, et al.
Veröffentlicht: (2025)

PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling
von: Kim, Donghyun, et al.
Veröffentlicht: (2024)

STAG: Structural Test-time Alignment of Gradients for Online Adaptation
von: Shin, Juhyeon, et al.
Veröffentlicht: (2024)

Unified Diffusion Transformer for High-fidelity Text-Aware Image Restoration
von: Kim, Jin Hyeon, et al.
Veröffentlicht: (2025)

FALCON: Frequency Adjoint Link with CONtinuous Density Mask for Fast Single Image Dehazing
von: Kim, Donghyun, et al.
Veröffentlicht: (2024)

Multi-Granular Spatio-Temporal Token Merging for Training-Free Acceleration of Video LLMs
von: Hyun, Jeongseok, et al.
Veröffentlicht: (2025)

Harmonizing Visual and Textual Embeddings for Zero-Shot Text-to-Image Customization
von: Song, Yeji, et al.
Veröffentlicht: (2024)

Exploring Multimodal Diffusion Transformers for Enhanced Prompt-based Image Editing
von: Shin, Joonghyuk, et al.
Veröffentlicht: (2025)

TestDG: Test-time Domain Generalization for Continual Test-time Adaptation
von: Lee, Sohyun, et al.
Veröffentlicht: (2025)

DiffuseHigh: Training-free Progressive High-Resolution Image Synthesis through Structure Guidance
von: Kim, Younghyun, et al.
Veröffentlicht: (2024)

A More Word-like Image Tokenization for MLLMs
von: Lee, Hyun, et al.
Veröffentlicht: (2026)

Hierarchical Image Tokenization for Multi-Scale Image Super Resolution
von: Hadji, Isma, et al.
Veröffentlicht: (2026)

A Training-Free Style-aligned Image Generation with Scale-wise Autoregressive Model
von: Park, Jihun, et al.
Veröffentlicht: (2025)

CLIP-KOA: Enhancing Knee Osteoarthritis Diagnosis with Multi-Modal Learning and Symmetry-Aware Loss Functions
von: Jeong, Yejin, et al.
Veröffentlicht: (2025)