Test-Time Computing for Referring Multimodal Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wu, Mingrui, Chen, Hao, Ji, Jiayi, Sun, Xiaoshuai, Liu, Zhiyuan, Cao, Liujuan, Cheng, Ming-Ming, Ji, Rongrong |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
MIHBench: Benchmarking and Mitigating Multi-Image Hallucinations in Multimodal Large Language Models
par: Li, Jiale, et autres
Publié: (2025)
par: Li, Jiale, et autres
Publié: (2025)
MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models
par: Wu, Mingrui, et autres
Publié: (2026)
par: Wu, Mingrui, et autres
Publié: (2026)
Evaluating and Analyzing Relationship Hallucinations in Large Vision-Language Models
par: Wu, Mingrui, et autres
Publié: (2024)
par: Wu, Mingrui, et autres
Publié: (2024)
ControlMLLM: Training-Free Visual Prompt Learning for Multimodal Large Language Models
par: Wu, Mingrui, et autres
Publié: (2024)
par: Wu, Mingrui, et autres
Publié: (2024)
PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation
par: Ke, Shuyan, et autres
Publié: (2026)
par: Ke, Shuyan, et autres
Publié: (2026)
HRSeg: High-Resolution Visual Perception and Enhancement for Reasoning Segmentation
par: Lin, Weihuang, et autres
Publié: (2025)
par: Lin, Weihuang, et autres
Publié: (2025)
$γ-$MoD: Exploring Mixture-of-Depth Adaptation for Multimodal Large Language Models
par: Luo, Yaxin, et autres
Publié: (2024)
par: Luo, Yaxin, et autres
Publié: (2024)
An Efficient and Mixed Heterogeneous Model for Image Restoration
par: Gu, Yubin, et autres
Publié: (2025)
par: Gu, Yubin, et autres
Publié: (2025)
INF-LLaVA: Dual-perspective Perception for High-Resolution Multimodal Large Language Model
par: Ma, Yiwei, et autres
Publié: (2024)
par: Ma, Yiwei, et autres
Publié: (2024)
AIGI-Holmes: Towards Explainable and Generalizable AI-Generated Image Detection via Multimodal Large Language Models
par: Zhou, Ziyin, et autres
Publié: (2025)
par: Zhou, Ziyin, et autres
Publié: (2025)
Advancing Multimodal Large Language Models with Quantization-Aware Scale Learning for Efficient Adaptation
par: Xie, Jingjing, et autres
Publié: (2024)
par: Xie, Jingjing, et autres
Publié: (2024)
3D-DRES: Detailed 3D Referring Expression Segmentation
par: Chen, Qi, et autres
Publié: (2026)
par: Chen, Qi, et autres
Publié: (2026)
Grounded Chain-of-Thought for Multimodal Large Language Models
par: Wu, Qiong, et autres
Publié: (2025)
par: Wu, Qiong, et autres
Publié: (2025)
DiffusionFace: Towards a Comprehensive Dataset for Diffusion-Based Face Forgery Analysis
par: Chen, Zhongxi, et autres
Publié: (2024)
par: Chen, Zhongxi, et autres
Publié: (2024)
Feast Your Eyes: Mixture-of-Resolution Adaptation for Multimodal Large Language Models
par: Luo, Gen, et autres
Publié: (2024)
par: Luo, Gen, et autres
Publié: (2024)
Inter2Former: Dynamic Hybrid Attention for Efficient High-Precision Interactive
par: Huang, You, et autres
Publié: (2025)
par: Huang, You, et autres
Publié: (2025)
M4-BLIP: Advancing Multi-Modal Media Manipulation Detection through Face-Enhanced Local Analysis
par: Wu, Hang, et autres
Publié: (2025)
par: Wu, Hang, et autres
Publié: (2025)
Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation
par: Liu, Sihan, et autres
Publié: (2023)
par: Liu, Sihan, et autres
Publié: (2023)
CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning
par: Lin, Weihuang, et autres
Publié: (2025)
par: Lin, Weihuang, et autres
Publié: (2025)
Any-to-3D Generation via Hybrid Diffusion Supervision
par: Fan, Yijun, et autres
Publié: (2024)
par: Fan, Yijun, et autres
Publié: (2024)
SAM as the Guide: Mastering Pseudo-Label Refinement in Semi-Supervised Referring Expression Segmentation
par: Yang, Danni, et autres
Publié: (2024)
par: Yang, Danni, et autres
Publié: (2024)
Purifying, Labeling, and Utilizing: A High-Quality Pipeline for Small Object Detection
par: Wang, Siwei, et autres
Publié: (2025)
par: Wang, Siwei, et autres
Publié: (2025)
JM3D & JM3D-LLM: Elevating 3D Understanding with Joint Multi-modal Cues
par: Ji, Jiayi, et autres
Publié: (2023)
par: Ji, Jiayi, et autres
Publié: (2023)
RG-SAN: Rule-Guided Spatial Awareness Network for End-to-End 3D Referring Expression Segmentation
par: Wu, Changli, et autres
Publié: (2024)
par: Wu, Changli, et autres
Publié: (2024)
TraDiffusion: Trajectory-Based Training-Free Image Generation
par: Wu, Mingrui, et autres
Publié: (2024)
par: Wu, Mingrui, et autres
Publié: (2024)
3D-GRES: Generalized 3D Referring Expression Segmentation
par: Wu, Changli, et autres
Publié: (2024)
par: Wu, Changli, et autres
Publié: (2024)
Scaling the Long Video Understanding of Multimodal Large Language Models via Visual Memory Mechanism
par: Chen, Tao, et autres
Publié: (2026)
par: Chen, Tao, et autres
Publié: (2026)
HieraVid: Hierarchical Token Pruning for Fast Video Large Language Models
par: Guo, Yansong, et autres
Publié: (2026)
par: Guo, Yansong, et autres
Publié: (2026)
HRSAM: Efficient Interactive Segmentation in High-Resolution Images
par: Huang, You, et autres
Publié: (2024)
par: Huang, You, et autres
Publié: (2024)
FlashSloth: Lightning Multimodal Large Language Models via Embedded Visual Compression
par: Tong, Bo, et autres
Publié: (2024)
par: Tong, Bo, et autres
Publié: (2024)
MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation
par: Wu, Changli, et autres
Publié: (2026)
par: Wu, Changli, et autres
Publié: (2026)
Beat: Bi-directional One-to-Many Embedding Alignment for Text-based Person Retrieval
par: Ma, Yiwei, et autres
Publié: (2024)
par: Ma, Yiwei, et autres
Publié: (2024)
X-Oscar: A Progressive Framework for High-quality Text-guided 3D Animatable Avatar Generation
par: Ma, Yiwei, et autres
Publié: (2024)
par: Ma, Yiwei, et autres
Publié: (2024)
Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding
par: Gu, Yubin, et autres
Publié: (2024)
par: Gu, Yubin, et autres
Publié: (2024)
Image Captioning via Dynamic Path Customization
par: Ma, Yiwei, et autres
Publié: (2024)
par: Ma, Yiwei, et autres
Publié: (2024)
Exploring Phrase-Level Grounding with Text-to-Image Diffusion Model
par: Yang, Danni, et autres
Publié: (2024)
par: Yang, Danni, et autres
Publié: (2024)
AnomalyPainter: Vision-Language-Diffusion Synergy for Zero-Shot Realistic and Diverse Industrial Anomaly Synthesis
par: Lai, Zhangyu, et autres
Publié: (2025)
par: Lai, Zhangyu, et autres
Publié: (2025)
Accelerating Multimodal Large Language Models via Dynamic Visual-Token Exit and the Empirical Findings
par: Wu, Qiong, et autres
Publié: (2024)
par: Wu, Qiong, et autres
Publié: (2024)
PartFormer: Awakening Latent Diverse Representation from Vision Transformer for Object Re-Identification
par: Tan, Lei, et autres
Publié: (2024)
par: Tan, Lei, et autres
Publié: (2024)
Multi-branch Collaborative Learning Network for 3D Visual Grounding
par: Qian, Zhipeng, et autres
Publié: (2024)
par: Qian, Zhipeng, et autres
Publié: (2024)
Documents similaires
-
MIHBench: Benchmarking and Mitigating Multi-Image Hallucinations in Multimodal Large Language Models
par: Li, Jiale, et autres
Publié: (2025) -
MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models
par: Wu, Mingrui, et autres
Publié: (2026) -
Evaluating and Analyzing Relationship Hallucinations in Large Vision-Language Models
par: Wu, Mingrui, et autres
Publié: (2024) -
ControlMLLM: Training-Free Visual Prompt Learning for Multimodal Large Language Models
par: Wu, Mingrui, et autres
Publié: (2024) -
PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation
par: Ke, Shuyan, et autres
Publié: (2026)