Buchumschlag

Boosting Visual Instruction Tuning with Self-Supervised Guidance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sirko-Galouchenko, Sophia, Wysoczanska, Monika, Bursuc, Andrei, Thome, Nicolas, Gidaris, Spyros
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

DIP: Unsupervised Dense In-Context Post-training of Visual Representations
von: Sirko-Galouchenko, Sophia, et al.
Veröffentlicht: (2025)

OccFeat: Self-supervised Occupancy Feature Prediction for Pretraining BEV Segmentation Networks
von: Sirko-Galouchenko, Sophia, et al.
Veröffentlicht: (2024)

No Train, all Gain: Self-Supervised Gradients Improve Deep Frozen Representations
von: Simoncini, Walter, et al.
Veröffentlicht: (2024)

CLIP-DINOiser: Teaching CLIP a few DINO tricks for open-vocabulary semantic segmentation
von: Wysoczańska, Monika, et al.
Veröffentlicht: (2023)

Franca: Nested Matryoshka Clustering for Scalable Visual Representation Learning
von: Venkataramanan, Shashanka, et al.
Veröffentlicht: (2025)

Drive&Segment: Unsupervised Semantic Segmentation of Urban Scenes via Cross-modal Distillation
von: Vobecky, Antonin, et al.
Veröffentlicht: (2022)

POP-3D: Open-Vocabulary 3D Occupancy Prediction from Images
von: Vobecky, Antonin, et al.
Veröffentlicht: (2024)

Test-time Contrastive Concepts for Open-world Semantic Segmentation with Vision-Language Models
von: Wysoczańska, Monika, et al.
Veröffentlicht: (2024)

MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments
von: Gidaris, Spyros, et al.
Veröffentlicht: (2023)

Unsupervised Object Localization in the Era of Self-Supervised ViTs: A Survey
von: Siméoni, Oriane, et al.
Veröffentlicht: (2023)

Three Pillars improving Vision Foundation Model Distillation for Lidar
von: Puy, Gilles, et al.
Veröffentlicht: (2023)

Advancing Semantic Future Prediction through Multimodal Visual Sequence Transformers
von: Karypidis, Efstathios, et al.
Veröffentlicht: (2025)

Boosting Generative Image Modeling via Joint Image-Feature Synthesis
von: Kouzelis, Theodoros, et al.
Veröffentlicht: (2025)

SPOT: Self-Training with Patch-Order Permutation for Object-Centric Learning with Autoregressive Transformers
von: Kakogeorgiou, Ioannis, et al.
Veröffentlicht: (2023)

Coevolving Representations in Joint Image-Feature Diffusion
von: Kouzelis, Theodoros, et al.
Veröffentlicht: (2026)

Representations Before Pixels: Semantics-Guided Hierarchical Video Prediction
von: Karypidis, Efstathios, et al.
Veröffentlicht: (2026)

DINO-Foresight: Looking into the Future with DINO
von: Karypidis, Efstathios, et al.
Veröffentlicht: (2024)

Attention, May I Have Your Decision? Localizing Generative Choices in Diffusion Models
von: Zaleska, Katarzyna, et al.
Veröffentlicht: (2026)

OVFact: Measuring and Improving Open-Vocabulary Factuality for Long Caption Models
von: Wysoczańska, Monika, et al.
Veröffentlicht: (2025)

Multi-Token Prediction Needs Registers
von: Gerontopoulos, Anastasios, et al.
Veröffentlicht: (2025)

SuperQuadricOcc: Real-Time Self-Supervised Semantic Occupancy Estimation with Superquadric Volume Rendering
von: Hayes, Seamie, et al.
Veröffentlicht: (2025)

INST-IT: Boosting Instance Understanding via Explicit Visual Prompt Instruction Tuning
von: Peng, Wujian, et al.
Veröffentlicht: (2024)

CLIP's Visual Embedding Projector is a Few-shot Cornucopia
von: Fahes, Mohammad, et al.
Veröffentlicht: (2024)

Multimodal Continual Instruction Tuning with Dynamic Gradient Guidance
von: Li, Songze, et al.
Veröffentlicht: (2025)

Valeo4Cast: A Modular Approach to End-to-End Forecasting
von: Xu, Yihong, et al.
Veröffentlicht: (2024)

Vanilla ViT for Automotive Point Cloud Semantic Segmentation
von: Puy, Gilles, et al.
Veröffentlicht: (2026)

BIGFix: Bidirectional Image Generation with Token Fixing
von: Besnier, Victor, et al.
Veröffentlicht: (2025)

Personalized Visual Instruction Tuning
von: Pi, Renjie, et al.
Veröffentlicht: (2024)

Generative Visual Instruction Tuning
von: Hernandez, Jefferson, et al.
Veröffentlicht: (2024)

Comparison Visual Instruction Tuning
von: Lin, Wei, et al.
Veröffentlicht: (2024)

Self-Guidance: Boosting Flow and Diffusion Generation on Their Own
von: Li, Tiancheng, et al.
Veröffentlicht: (2024)

What Makes for Good Visual Instructions? Synthesizing Complex Visual Reasoning Instructions for Visual Instruction Tuning
von: Du, Yifan, et al.
Veröffentlicht: (2023)

Osprey: Pixel Understanding with Visual Instruction Tuning
von: Yuan, Yuqian, et al.
Veröffentlicht: (2023)

Visual Instruction Tuning with Chain of Region-of-Interest
von: Chen, Yixin, et al.
Veröffentlicht: (2025)

Driving on Registers
von: Kirby, Ellington, et al.
Veröffentlicht: (2026)

PMC-VQA: Visual Instruction Tuning for Medical Visual Question Answering
von: Zhang, Xiaoman, et al.
Veröffentlicht: (2023)

Video-STaR: Self-Training Enables Video Instruction Tuning with Any Supervision
von: Zohar, Orr, et al.
Veröffentlicht: (2024)

LiDAS: Lighting-driven Dynamic Active Sensing for Nighttime Perception
von: de Moreau, Simon, et al.
Veröffentlicht: (2025)

A Simple Recipe for Language-guided Domain Generalized Segmentation
von: Fahes, Mohammad, et al.
Veröffentlicht: (2023)

RealCamo: Boosting Real Camouflage Synthesis with Layout Controls and Textual-Visual Guidance
von: Chen, Chunyuan, et al.
Veröffentlicht: (2025)