Buchumschlag

Catalogue Grounded Multimodal Attribution for Museum Video under Resource and Regulatory Constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nanang, Minsak, Hilton, Adrian, Mustafa, Armin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Multimedia Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Principled Multimodal Representation Learning
von: Liu, Xiaohao, et al.
Veröffentlicht: (2025)

InteractiveVideo: User-Centric Controllable Video Generation with Synergistic Multimodal Instructions
von: Zhang, Yiyuan, et al.
Veröffentlicht: (2024)

Calibrated Multimodal Representation Learning with Missing Modalities
von: Liu, Xiaohao, et al.
Veröffentlicht: (2025)

Hierarchical Adaptive Expert for Multimodal Sentiment Analysis
von: Qin, Jiahao, et al.
Veröffentlicht: (2025)

Towards Robust Multimodal Emotion Recognition under Missing Modalities and Distribution Shifts
von: Zhong, Guowei, et al.
Veröffentlicht: (2025)

Multimodal Transformer With a Low-Computational-Cost Guarantee
von: Park, Sungjin, et al.
Veröffentlicht: (2024)

Enrich and Detect: Video Temporal Grounding with Multimodal LLMs
von: Pramanick, Shraman, et al.
Veröffentlicht: (2025)

Post-surgical Endometriosis Segmentation in Laparoscopic Videos
von: Leibetseder, Andreas, et al.
Veröffentlicht: (2025)

Bridging Compressed Image Latents and Multimodal Large Language Models
von: Kao, Chia-Hao, et al.
Veröffentlicht: (2024)

Omnidirectional Video Super-Resolution using Deep Learning
von: Baniya, Arbind Agrahari, et al.
Veröffentlicht: (2025)

Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration
von: Jiang, Xun, et al.
Veröffentlicht: (2026)

MVP: Winning Solution to SMP Challenge 2025 Video Track
von: Ye, Liliang, et al.
Veröffentlicht: (2025)

Competitive Learning for Achieving Content-specific Filters in Video Coding for Machines
von: Zhang, Honglei, et al.
Veröffentlicht: (2024)

CinePile: A Long Video Question Answering Dataset and Benchmark
von: Rawal, Ruchit, et al.
Veröffentlicht: (2024)

360VFI: A Dataset and Benchmark for Omnidirectional Video Frame Interpolation
von: Lu, Wenxuan, et al.
Veröffentlicht: (2024)

End-to-end Semantic-centric Video-based Multimodal Affective Computing
von: Lin, Ronghao, et al.
Veröffentlicht: (2024)

4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis
von: Wei, Yuxiang, et al.
Veröffentlicht: (2025)

LinVT: Empower Your Image-level Large Language Model to Understand Videos
von: Gao, Lishuai, et al.
Veröffentlicht: (2024)

DeCo-VAE: Learning Compact Latents for Video Reconstruction via Decoupled Representation
von: Yin, Xiangchen, et al.
Veröffentlicht: (2025)

CreativeVR: Diffusion-Prior-Guided Approach for Structure and Motion Restoration in Generative and Real Videos
von: Panambur, Tejas, et al.
Veröffentlicht: (2025)

MCE: Towards a General Framework for Handling Missing Modalities under Imbalanced Missing Rates
von: Zhao, Binyu, et al.
Veröffentlicht: (2025)

VG-TVP: Multimodal Procedural Planning via Visually Grounded Text-Video Prompting
von: Ilaslan, Muhammet Furkan, et al.
Veröffentlicht: (2024)

Video DataFlywheel: Resolving the Impossible Data Trinity in Video-Language Understanding
von: Wang, Xiao, et al.
Veröffentlicht: (2024)

Calibrating Multimodal Consensus for Emotion Recognition
von: Zhong, Guowei, et al.
Veröffentlicht: (2025)

Multimodal Long Video Modeling Based on Temporal Dynamic Context
von: Hao, Haoran, et al.
Veröffentlicht: (2025)

Dual Attribute-Spatial Relation Alignment for 3D Visual Grounding
von: Xu, Yue, et al.
Veröffentlicht: (2024)

EditYourself: Audio-Driven Generation and Manipulation of Talking Head Videos with Diffusion Transformers
von: Flynn, John, et al.
Veröffentlicht: (2026)

VidMuse: A Simple Video-to-Music Generation Framework with Long-Short-Term Modeling
von: Tian, Zeyue, et al.
Veröffentlicht: (2024)

Alzheimer's Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models
von: Nasir, Nida, et al.
Veröffentlicht: (2024)

Accelerating Multimodal Large Language Models via Dynamic Visual-Token Exit and the Empirical Findings
von: Wu, Qiong, et al.
Veröffentlicht: (2024)

MoDA: Modulation Adapter for Fine-Grained Visual Grounding in Instructional MLLMs
von: Barrios, Wayner, et al.
Veröffentlicht: (2025)

On-the-fly Modulation for Balanced Multimodal Learning
von: Wei, Yake, et al.
Veröffentlicht: (2024)

Control-A-Video: Controllable Text-to-Video Diffusion Models with Motion Prior and Reward Feedback Learning
von: Chen, Weifeng, et al.
Veröffentlicht: (2023)

RAVEN: Query-Guided Representation Alignment for Question Answering over Audio, Video, Embedded Sensors, and Natural Language
von: Biswas, Subrata, et al.
Veröffentlicht: (2025)

MMPareto: Boosting Multimodal Learning with Innocent Unimodal Assistance
von: Wei, Yake, et al.
Veröffentlicht: (2024)

Multi-layer Learnable Attention Mask for Multimodal Tasks
von: Barrios, Wayner, et al.
Veröffentlicht: (2024)

LongVALE: Vision-Audio-Language-Event Benchmark Towards Time-Aware Omni-Modal Perception of Long Videos
von: Geng, Tiantian, et al.
Veröffentlicht: (2024)

Grounded Chain-of-Thought for Multimodal Large Language Models
von: Wu, Qiong, et al.
Veröffentlicht: (2025)

FoleyGRAM: Video-to-Audio Generation with GRAM-Aligned Multimodal Encoders
von: Gramaccioni, Riccardo Fosco, et al.
Veröffentlicht: (2025)

Parameter-Efficient Subspace Decoupling ViT for Mitigating Multi-Task Negative Transfer in Histological Scoring
von: Huang, Youhan, et al.
Veröffentlicht: (2026)