Buchumschlag

CoVFT: Context-aware Visual Fine-tuning for Multimodal Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Nan, Wang, Huiqun, Zheng, Yaoyan, Huang, Di
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

Implicit Modeling for Transferability Estimation of Vision Foundation Models
von: Zheng, Yaoyan, et al.
Veröffentlicht: (2025)

Crowd-SAM: SAM as a Smart Annotator for Object Detection in Crowded Scenes
von: Cai, Zhi, et al.
Veröffentlicht: (2024)

Deep Common Feature Mining for Efficient Video Semantic Segmentation
von: Zheng, Yaoyan, et al.
Veröffentlicht: (2024)

EgoMind: Activating Spatial Cognition through Linguistic Reasoning in MLLMs
von: Chen, Zhenghao, et al.
Veröffentlicht: (2026)

Semantic-aware Adversarial Fine-tuning for CLIP
von: Zhang, Jiacheng, et al.
Veröffentlicht: (2026)

Attention-guided Fine-tuning of Multimodal Large Language Models Improves Chain-of-Thought Reasoning
von: Sinha, Sanchit, et al.
Veröffentlicht: (2026)

Machine Vision Therapy: Multimodal Large Language Models Can Enhance Visual Robustness via Denoising In-Context Learning
von: Huang, Zhuo, et al.
Veröffentlicht: (2023)

TCP:Textual-based Class-aware Prompt tuning for Visual-Language Model
von: Yao, Hantao, et al.
Veröffentlicht: (2023)

Do we Really Need Visual Instructions? Towards Visual Instruction-Free Fine-tuning for Large Vision-Language Models
von: Liu, Zikang, et al.
Veröffentlicht: (2025)

Visual In-Context Learning for Large Vision-Language Models
von: Zhou, Yucheng, et al.
Veröffentlicht: (2024)

CODIS: Benchmarking Context-Dependent Visual Comprehension for Multimodal Large Language Models
von: Luo, Fuwen, et al.
Veröffentlicht: (2024)

LaCo: Efficient Layer-wise Compression of Visual Tokens for Multimodal Large Language Models
von: Liu, Juntao, et al.
Veröffentlicht: (2025)

Personal Visual Context Learning in Large Multimodal Models
von: Xue, Zihui, et al.
Veröffentlicht: (2026)

Visual-Noise Guided In-Context Distillation for Multimodal Large Language Model Unlearning
von: Chen, Junkai, et al.
Veröffentlicht: (2026)

OddGridBench: Exposing the Lack of Fine-Grained Visual Discrepancy Sensitivity in Multimodal Large Language Models
von: Weng, Tengjin, et al.
Veröffentlicht: (2026)

LookWise: Knowing When and Where to Look for Fine-Grained Visual Reasoning in Multimodal Large Language Models
von: Shen, Yuxiang, et al.
Veröffentlicht: (2026)

Advancing Multimodal In-Context Learning in Large Vision-Language Models with Task-aware Demonstrations
von: Li, Yanshu
Veröffentlicht: (2025)

A Unified Framework with Multimodal Fine-tuning for Remote Sensing Semantic Segmentation
von: Ma, Xianping, et al.
Veröffentlicht: (2024)

Aligning Modalities in Vision Large Language Models via Preference Fine-tuning
von: Zhou, Yiyang, et al.
Veröffentlicht: (2024)

Divide-and-Conquer Inference for Large-Scale Visual Recognition with Multimodal Large Language Models
von: Ye, Zhipeng, et al.
Veröffentlicht: (2026)

COCO is "ALL'' You Need for Visual Instruction Fine-tuning
von: Han, Xiaotian, et al.
Veröffentlicht: (2024)

Plug-and-play Class-aware Knowledge Injection for Prompt Learning with Visual-Language Model
von: Yin, Junhui, et al.
Veröffentlicht: (2026)

Batch Augmentation with Unimodal Fine-tuning for Multimodal Learning
von: Kabir, H M Dipu, et al.
Veröffentlicht: (2025)

Low-Rank Adaptation with Task-Relevant Feature Enhancement for Fine-tuning Language Models
von: Li, Changqun, et al.
Veröffentlicht: (2024)

TASeg: Text-aware RGB-T Semantic Segmentation based on Fine-tuning Vision Foundation Models
von: Yu, Meng, et al.
Veröffentlicht: (2025)

Visual Anchors Are Strong Information Aggregators For Multimodal Large Language Model
von: Liu, Haogeng, et al.
Veröffentlicht: (2024)

Direction-aware 3D Large Multimodal Models
von: Liu, Quan, et al.
Veröffentlicht: (2026)

TrimTokenator-LC: Towards Adaptive Visual Token Pruning for Large Multimodal Models with Long Contexts
von: Zhang, Hao, et al.
Veröffentlicht: (2025)

Kosmos-G: Generating Images in Context with Multimodal Large Language Models
von: Pan, Xichen, et al.
Veröffentlicht: (2023)

Part-X-MLLM: Part-aware 3D Multimodal Large Language Model
von: Wang, Chunshi, et al.
Veröffentlicht: (2025)

SynQ: Accurate Zero-shot Quantization by Synthesis-aware Fine-tuning
von: Kim, Minjun, et al.
Veröffentlicht: (2026)

Democratizing Fine-grained Visual Recognition with Large Language Models
von: Liu, Mingxuan, et al.
Veröffentlicht: (2024)

MetaRA: Metamorphic Robustness Assessment for Multimodal Large Language Model-based Visual Question Answering Systems
von: Xu, Quanxing, et al.
Veröffentlicht: (2026)

Improving Visual Storytelling with Multimodal Large Language Models
von: Lin, Xiaochuan, et al.
Veröffentlicht: (2024)

Visual Representation Alignment for Multimodal Large Language Models
von: Yoon, Heeji, et al.
Veröffentlicht: (2025)

Efficiency in Focus: LayerNorm as a Catalyst for Fine-tuning Medical Visual Language Pre-trained Models
von: Chen, Jiawei, et al.
Veröffentlicht: (2024)

Semantic-guided Fine-tuning of Foundation Model for Long-tailed Visual Recognition
von: Peng, Yufei, et al.
Veröffentlicht: (2025)

iVPT: Improving Task-relevant Information Sharing in Visual Prompt Tuning by Cross-layer Dynamic Connection
von: Zhou, Nan, et al.
Veröffentlicht: (2024)

Vision-Centric Activation and Coordination for Multimodal Large Language Models
von: Wang, Yunnan, et al.
Veröffentlicht: (2025)

Simulated Ensemble Attack: Transferring Jailbreaks Across Fine-tuned Vision-Language Models
von: Wang, Ruofan, et al.
Veröffentlicht: (2025)