Buchumschlag

Rethinking Token Reduction for Large Vision-Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Yi, Zhang, Haofei, Huang, Qihan, Cao, Anda, Fang, Gongfan, Wang, Wei, Jin, Xuan, Song, Jie, Song, Mingli, Wang, Xinchao
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

On the Concept Trustworthiness in Concept Bottleneck Models
von: Huang, Qihan, et al.
Veröffentlicht: (2024)

Diversity-Guided MLP Reduction for Efficient Large Vision Transformers
von: Shen, Chengchao, et al.
Veröffentlicht: (2025)

Syn-GRPO: Self-Evolving Data Synthesis for MLLM Perception Reasoning
von: Huang, Qihan, et al.
Veröffentlicht: (2025)

ProtoPFormer: Concentrating on Prototypical Parts in Vision Transformers for Interpretable Image Recognition
von: Xue, Mengqi, et al.
Veröffentlicht: (2022)

LG-CAV: Train Any Concept Activation Vector with Language Guidance
von: Huang, Qihan, et al.
Veröffentlicht: (2024)

Knowledge Amalgamation for Object Detection with Transformers
von: Zhang, Haofei, et al.
Veröffentlicht: (2022)

Isomorphic Pruning for Vision Models
von: Fang, Gongfan, et al.
Veröffentlicht: (2024)

In-Video Instructions: Visual Signals as Generative Control
von: Fang, Gongfan, et al.
Veröffentlicht: (2025)

Remix-DiT: Mixing Diffusion Transformers for Multi-Expert Denoising
von: Fang, Gongfan, et al.
Veröffentlicht: (2024)

Collaborative Decoding Makes Visual Auto-Regressive Modeling Efficient
von: Chen, Zigeng, et al.
Veröffentlicht: (2024)

SlimSAM: 0.1% Data Makes Segment Anything Slim
von: Chen, Zigeng, et al.
Veröffentlicht: (2023)

PointLoRA: Low-Rank Adaptation with Token Selection for Point Cloud Learning
von: Wang, Song, et al.
Veröffentlicht: (2025)

Q-ARVD: Quantizing Autoregressive Video Diffusion Models
von: Tang, Siao, et al.
Veröffentlicht: (2026)

VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models
von: Zhang, Ce, et al.
Veröffentlicht: (2025)

Evolutionary Negative Module Pruning for Better LoRA Merging
von: Cao, Anda, et al.
Veröffentlicht: (2026)

AsyncDiff: Parallelizing Diffusion Models by Asynchronous Denoising
von: Chen, Zigeng, et al.
Veröffentlicht: (2024)

Introducing Visual Perception Token into Multimodal Large Language Model
von: Yu, Runpeng, et al.
Veröffentlicht: (2025)

ConciseHint: Boosting Efficient Reasoning via Continuous Concise Hints during Generation
von: Tang, Siao, et al.
Veröffentlicht: (2025)

TinyFusion: Diffusion Transformers Learned Shallow
von: Fang, Gongfan, et al.
Veröffentlicht: (2024)

RS3DBench: A Comprehensive Benchmark for 3D Spatial Perception in Remote Sensing
von: Wang, Jiayu, et al.
Veröffentlicht: (2025)

Learning-to-Cache: Accelerating Diffusion Transformer via Layer Caching
von: Ma, Xinyin, et al.
Veröffentlicht: (2024)

Attention Prompting on Image for Large Vision-Language Models
von: Yu, Runpeng, et al.
Veröffentlicht: (2024)

Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation
von: Liu, Kejia, et al.
Veröffentlicht: (2026)

Training Data Provenance Verification: Did Your Model Use Synthetic Data from My Generative Model for Training?
von: Xie, Yuechen, et al.
Veröffentlicht: (2025)

PatchDPO: Patch-level DPO for Finetuning-free Personalized Image Generation
von: Huang, Qihan, et al.
Veröffentlicht: (2024)

Accelerating Multimodal Large Language Models by Searching Optimal Vision Token Reduction
von: Zhao, Shiyu, et al.
Veröffentlicht: (2024)

Token-Level Inference-Time Alignment for Vision-Language Models
von: Chen, Kejia, et al.
Veröffentlicht: (2025)

ApET: Approximation-Error Guided Token Compression for Efficient VLMs
von: Ma, Qiankun, et al.
Veröffentlicht: (2026)

$D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation
von: Wang, Ruizhi, et al.
Veröffentlicht: (2026)

Failures to Surface Harmful Contents in Video Large Language Models
von: Cao, Yuxin, et al.
Veröffentlicht: (2025)

MINT: Mitigating Hallucinations in Large Vision-Language Models via Token Reduction
von: Wang, Chao, et al.
Veröffentlicht: (2025)

Dataset Ownership Verification in Contrastive Pre-trained Models
von: Xie, Yuechen, et al.
Veröffentlicht: (2025)

PixelThink: Towards Efficient Chain-of-Pixel Reasoning
von: Wang, Song, et al.
Veröffentlicht: (2025)

Sampling-Aware Quantization for Diffusion Models
von: Zeng, Qian, et al.
Veröffentlicht: (2025)

Training-free Token Reduction for Vision Mamba
von: Ma, Qiankun, et al.
Veröffentlicht: (2025)

Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios
von: Wang, Yuxin, et al.
Veröffentlicht: (2024)

Training-Free Pretrained Model Merging
von: Xu, Zhengqi, et al.
Veröffentlicht: (2024)

HERO: Rethinking Visual Token Early Dropping in High-Resolution Large Vision-Language Models
von: Li, Xu, et al.
Veröffentlicht: (2025)

Language-Guided Token Compression with Reinforcement Learning in Large Vision-Language Models
von: Cao, Sihan, et al.
Veröffentlicht: (2026)

Variation-aware Vision Token Dropping for Faster Large Vision-Language Models
von: Chen, Junjie, et al.
Veröffentlicht: (2025)