Tinted Frames: Question Framing Blinds Vision-Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Fan, Wan-Cyuan, Luo, Jiayun, Kutscher, Declan, Sigal, Leonid, Gupta, Ritwik |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Response Wide Shut: Surprising Observations in Basic Vision Language Model Capabilities
par: Chandhok, Shivam, et autres
Publié: (2024)
par: Chandhok, Shivam, et autres
Publié: (2024)
To Sink or Not to Sink: Visual Information Pathways in Large Vision-Language Models
par: Luo, Jiayun, et autres
Publié: (2025)
par: Luo, Jiayun, et autres
Publié: (2025)
MMFactory: A Universal Solution Search Engine for Vision-Language Tasks
par: Fan, Wan-Cyuan, et autres
Publié: (2024)
par: Fan, Wan-Cyuan, et autres
Publié: (2024)
REOrdering Patches Improves Vision Models
par: Kutscher, Declan, et autres
Publié: (2025)
par: Kutscher, Declan, et autres
Publié: (2025)
TAM-VT: Transformation-Aware Multi-scale Video Transformer for Segmentation and Tracking
par: Goyal, Raghav, et autres
Publié: (2023)
par: Goyal, Raghav, et autres
Publié: (2023)
Emergent Open-Vocabulary Semantic Segmentation from Off-the-shelf Vision-Language Models
par: Luo, Jiayun, et autres
Publié: (2023)
par: Luo, Jiayun, et autres
Publié: (2023)
On Pre-training of Multimodal Language Models Customized for Chart Understanding
par: Fan, Wan-Cyuan, et autres
Publié: (2024)
par: Fan, Wan-Cyuan, et autres
Publié: (2024)
In-Depth and In-Breadth: Pre-training Multimodal Language Models Customized for Comprehensive Chart Understanding
par: Fan, Wan-Cyuan, et autres
Publié: (2025)
par: Fan, Wan-Cyuan, et autres
Publié: (2025)
HORNet: Task-Guided Frame Selection for Video Question Answering with Vision-Language Models
par: Bai, Xiangyu, et autres
Publié: (2026)
par: Bai, Xiangyu, et autres
Publié: (2026)
Test-Time Consistency in Vision Language Models
par: Chou, Shih-Han, et autres
Publié: (2025)
par: Chou, Shih-Han, et autres
Publié: (2025)
Multi-Frame, Lightweight & Efficient Vision-Language Models for Question Answering in Autonomous Driving
par: Gopalkrishnan, Akshay, et autres
Publié: (2024)
par: Gopalkrishnan, Akshay, et autres
Publié: (2024)
ChartGaze: Enhancing Chart Understanding in LVLMs with Eye-Tracking Guided Attention Refinement
par: Salamatian, Ali, et autres
Publié: (2025)
par: Salamatian, Ali, et autres
Publié: (2025)
MM-R$^3$: On (In-)Consistency of Vision-Language Models (VLMs)
par: Chou, Shih-Han, et autres
Publié: (2024)
par: Chou, Shih-Han, et autres
Publié: (2024)
LiteFrame: Efficient Vision Encoders Unlock Frame Scaling in Video LLMs
par: Kim, Jihwan, et autres
Publié: (2026)
par: Kim, Jihwan, et autres
Publié: (2026)
Frame-Voyager: Learning to Query Frames for Video Large Language Models
par: Yu, Sicheng, et autres
Publié: (2024)
par: Yu, Sicheng, et autres
Publié: (2024)
The ART of Composition: Attention-Regularized Training for Compositional Visual Grounding
par: Luo, Jiayun, et autres
Publié: (2024)
par: Luo, Jiayun, et autres
Publié: (2024)
Frame by Familiar Frame: Understanding Replication in Video Diffusion Models
par: Rahman, Aimon, et autres
Publié: (2024)
par: Rahman, Aimon, et autres
Publié: (2024)
Q-Frame: Query-aware Frame Selection and Multi-Resolution Adaptation for Video-LLMs
par: Zhang, Shaojie, et autres
Publié: (2025)
par: Zhang, Shaojie, et autres
Publié: (2025)
World in a Frame: Understanding Culture Mixing as a New Challenge for Vision-Language Models
par: Kim, Eunsu, et autres
Publié: (2025)
par: Kim, Eunsu, et autres
Publié: (2025)
Multi-Frame Vision-Language Model for Long-form Reasoning in Driver Behavior Analysis
par: Takato, Hiroshi, et autres
Publié: (2024)
par: Takato, Hiroshi, et autres
Publié: (2024)
Thinking with Frames: Generative Video Distortion Evaluation via Frame Reward Model
par: Wang, Yuan, et autres
Publié: (2026)
par: Wang, Yuan, et autres
Publié: (2026)
KEPT: Knowledge-Enhanced Prediction of Trajectories from Consecutive Driving Frames with Vision-Language Models
par: Wang, Yujin, et autres
Publié: (2025)
par: Wang, Yujin, et autres
Publié: (2025)
SPIRIT: Adapting Vision Foundation Models for Unified Single- and Multi-Frame Infrared Small Target Detection
par: Xu, Qian, et autres
Publié: (2026)
par: Xu, Qian, et autres
Publié: (2026)
Harnessing Meta-Learning for Controllable Full-Frame Video Stabilization
par: Ali, Muhammad Kashif, et autres
Publié: (2025)
par: Ali, Muhammad Kashif, et autres
Publié: (2025)
Frame Context Packing and Drift Prevention in Next-Frame-Prediction Video Diffusion Models
par: Zhang, Lvmin, et autres
Publié: (2025)
par: Zhang, Lvmin, et autres
Publié: (2025)
SCALE-VLP: Soft-Weighted Contrastive Volumetric Vision-Language Pre-training with Spatial-Knowledge Semantics
par: Mahdizadeh, Ailar, et autres
Publié: (2025)
par: Mahdizadeh, Ailar, et autres
Publié: (2025)
Do Vision-Language Models Represent Space and How? Evaluating Spatial Frame of Reference Under Ambiguities
par: Zhang, Zheyuan, et autres
Publié: (2024)
par: Zhang, Zheyuan, et autres
Publié: (2024)
CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling
par: Li, Hao, et autres
Publié: (2025)
par: Li, Hao, et autres
Publié: (2025)
FocusGraph: Graph-Structured Frame Selection for Embodied Long Video Question Answering
par: Zemskova, Tatiana, et autres
Publié: (2026)
par: Zemskova, Tatiana, et autres
Publié: (2026)
Semantic Frame Interpolation
par: Hong, Yijia, et autres
Publié: (2025)
par: Hong, Yijia, et autres
Publié: (2025)
FrameVGGT: Geometry-Aligned Frame-Level Memory for Bounded Streaming VGGT
par: Xu, Zhisong, et autres
Publié: (2026)
par: Xu, Zhisong, et autres
Publié: (2026)
ShotVL: Human-Centric Highlight Frame Retrieval via Language Queries
par: Xue, Wangyu, et autres
Publié: (2024)
par: Xue, Wangyu, et autres
Publié: (2024)
Factorized Video Autoencoders for Efficient Generative Modelling
par: Suhail, Mohammed, et autres
Publié: (2024)
par: Suhail, Mohammed, et autres
Publié: (2024)
Tracking Any Point with Frame-Event Fusion Network at High Frame Rate
par: Liu, Jiaxiong, et autres
Publié: (2024)
par: Liu, Jiaxiong, et autres
Publié: (2024)
End-to-End Video Question Answering with Frame Scoring Mechanisms and Adaptive Sampling
par: Liang, Jianxin, et autres
Publié: (2024)
par: Liang, Jianxin, et autres
Publié: (2024)
Disentangled Motion Modeling for Video Frame Interpolation
par: Lew, Jaihyun, et autres
Publié: (2024)
par: Lew, Jaihyun, et autres
Publié: (2024)
Relaxing Anchor-Frame Dominance for Mitigating Hallucinations in Video Large Language Models
par: Liu, Zijian, et autres
Publié: (2026)
par: Liu, Zijian, et autres
Publié: (2026)
Are Large Vision-Language Models Ready to Guide Blind and Low-Vision Individuals?
par: Kim, Eunki, et autres
Publié: (2025)
par: Kim, Eunki, et autres
Publié: (2025)
FrameThinker: Learning to Think with Long Videos via Multi-Turn Frame Spotlighting
par: He, Zefeng, et autres
Publié: (2025)
par: He, Zefeng, et autres
Publié: (2025)
Chain-of-Frames: Advancing Video Understanding in Multimodal LLMs via Frame-Aware Reasoning
par: Ghazanfari, Sara, et autres
Publié: (2025)
par: Ghazanfari, Sara, et autres
Publié: (2025)
Documents similaires
-
Response Wide Shut: Surprising Observations in Basic Vision Language Model Capabilities
par: Chandhok, Shivam, et autres
Publié: (2024) -
To Sink or Not to Sink: Visual Information Pathways in Large Vision-Language Models
par: Luo, Jiayun, et autres
Publié: (2025) -
MMFactory: A Universal Solution Search Engine for Vision-Language Tasks
par: Fan, Wan-Cyuan, et autres
Publié: (2024) -
REOrdering Patches Improves Vision Models
par: Kutscher, Declan, et autres
Publié: (2025) -
TAM-VT: Transformation-Aware Multi-scale Video Transformer for Segmentation and Tracking
par: Goyal, Raghav, et autres
Publié: (2023)