Buchumschlag

Efficient Encoder-Free Fourier-based 3D Large Multimodal Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mei, Guofeng, Lin, Wei, Riz, Luigi, Wu, Yujiao, Wang, Yiming, Poiesi, Fabio
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

Vocabulary-Free 3D Instance Segmentation with Vision and Language Assistant
von: Mei, Guofeng, et al.
Veröffentlicht: (2024)

PerLA: Perceptive 3D Language Assistant
von: Mei, Guofeng, et al.
Veröffentlicht: (2024)

Geometrically-driven Aggregation for Zero-shot 3D Point Cloud Understanding
von: Mei, Guofeng, et al.
Veröffentlicht: (2023)

Multimodal Fusion SLAM with Fourier Attention
von: Zhou, Youjie, et al.
Veröffentlicht: (2025)

Novel class discovery meets foundation models for 3D semantic segmentation
von: Riz, Luigi, et al.
Veröffentlicht: (2023)

Free-form language-based robotic reasoning and grasping
von: Jiao, Runyu, et al.
Veröffentlicht: (2025)

Self-Supervised and Generalizable Tokenization for CLIP-Based 3D Understanding
von: Mei, Guofeng, et al.
Veröffentlicht: (2025)

Obstruction reasoning for robotic grasping
von: Jiao, Runyu, et al.
Veröffentlicht: (2025)

Fully-Geometric Cross-Attention for Point Cloud Registration
von: Wang, Weijie, et al.
Veröffentlicht: (2025)

BREEN: Bridge Data-Efficient Encoder-Free Multimodal Learning with Learnable Queries
von: Li, Tianle, et al.
Veröffentlicht: (2025)

Action-guided generation of 3D functionality segmentation data
von: Corsetti, Jaime, et al.
Veröffentlicht: (2025)

Robust Single-Stage Fully Sparse 3D Object Detection via Detachable Latent Diffusion
von: Qu, Wentao, et al.
Veröffentlicht: (2025)

ZeroReg: Zero-Shot Point Cloud Registration with Foundation Models
von: Wang, Weijie, et al.
Veröffentlicht: (2023)

Masked Clustering Prediction for Unsupervised Point Cloud Pre-training
von: Ren, Bin, et al.
Veröffentlicht: (2025)

FreeZe: Training-free zero-shot 6D pose estimation with geometric and vision foundation models
von: Caraffa, Andrea, et al.
Veröffentlicht: (2023)

Investigating Redundancy in Multimodal Large Language Models with Multiple Vision Encoders
von: Wang, Yizhou, et al.
Veröffentlicht: (2025)

Distilling 3D distinctive local descriptors for 6D pose estimation
von: Hamza, Amir, et al.
Veröffentlicht: (2025)

Leveraging Confident Image Regions for Source-Free Domain-Adaptive Object Detection
von: Mekhalfi, Mohamed Lamine, et al.
Veröffentlicht: (2025)

Fusion to Enhance: Fusion Visual Encoder to Enhance Multimodal Language Model
von: She, Yifei, et al.
Veröffentlicht: (2025)

Accurate and efficient zero-shot 6D pose estimation with frozen foundation models
von: Caraffa, Andrea, et al.
Veröffentlicht: (2025)

Cross-Modal and Uncertainty-Aware Agglomeration for Open-Vocabulary 3D Scene Understanding
von: Li, Jinlong, et al.
Veröffentlicht: (2025)

PARIS3D: Reasoning-based 3D Part Segmentation Using Large Multimodal Model
von: Kareem, Amrin, et al.
Veröffentlicht: (2024)

Zoom-shot: Fast and Efficient Unsupervised Zero-Shot Transfer of CLIP to Vision Encoders with Multimodal Loss
von: Shipard, Jordan, et al.
Veröffentlicht: (2024)

VDC: Versatile Data Cleanser based on Visual-Linguistic Inconsistency by Multimodal Large Language Models
von: Zhu, Zihao, et al.
Veröffentlicht: (2023)

TextHawk: Exploring Efficient Fine-Grained Perception of Multimodal Large Language Models
von: Yu, Ya-Qi, et al.
Veröffentlicht: (2024)

6DGS: 6D Pose Estimation from a Single Image and a 3D Gaussian Splatting Model
von: Bortolon, Matteo, et al.
Veröffentlicht: (2024)

Functionality understanding and segmentation in 3D scenes
von: Corsetti, Jaime, et al.
Veröffentlicht: (2024)

GLASS: Graph and Vision-Language Assisted Semantic Shape Correspondence
von: Xiao, Qinfeng, et al.
Veröffentlicht: (2026)

Efficient Multimodal Large Language Models: A Survey
von: Jin, Yizhang, et al.
Veröffentlicht: (2024)

Sparse Shortcuts: Facilitating Efficient Fusion in Multimodal Large Language Models
von: Zhang, Jingrui, et al.
Veröffentlicht: (2026)

M2-Encoder: Advancing Bilingual Image-Text Understanding by Large-scale Efficient Pretraining
von: Guo, Qingpei, et al.
Veröffentlicht: (2024)

EVEv2: Improved Baselines for Encoder-Free Vision-Language Models
von: Diao, Haiwen, et al.
Veröffentlicht: (2025)

PAR: Prompt-Aware Token Reduction Method for Efficient Large Multimodal Models
von: Liu, Yingen, et al.
Veröffentlicht: (2024)

Single Image Unlearning: Efficient Machine Unlearning in Multimodal Large Language Models
von: Li, Jiaqi, et al.
Veröffentlicht: (2024)

TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document
von: Liu, Yuliang, et al.
Veröffentlicht: (2024)

ScalSelect: Scalable Training-Free Multimodal Data Selection for Efficient Visual Instruction Tuning
von: Wu, Changti, et al.
Veröffentlicht: (2026)

Make-it-Real: Unleashing Large Multimodal Model for Painting 3D Objects with Realistic Materials
von: Fang, Ye, et al.
Veröffentlicht: (2024)

3D Part Segmentation via Geometric Aggregation of 2D Visual Features
von: Garosi, Marco, et al.
Veröffentlicht: (2024)

Speculative Decoding Reimagined for Multimodal Large Language Models
von: Lin, Luxi, et al.
Veröffentlicht: (2025)

SC3D: Label-Efficient Outdoor 3D Object Detection via Single Click Annotation
von: Xia, Qiming, et al.
Veröffentlicht: (2024)