Buchumschlag

T-REN: Learning Text-Aligned Region Tokens Improves Dense Vision-Language Alignment and Scalability

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Khosla, Savya, T V, Sethuraman, Chadha, Aryan, Schwing, Alex, Hoiem, Derek
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

REN: Fast and Efficient Region Encodings from Patch-Based Image Encoders
von: Khosla, Savya, et al.
Veröffentlicht: (2025)

RELOCATE: A Simple Training-Free Baseline for Visual Query Localization Using Region-Based Representations
von: Khosla, Savya, et al.
Veröffentlicht: (2024)

TextRegion: Text-Aligned Region Tokens from Frozen Image-Text Models
von: Xiao, Yao, et al.
Veröffentlicht: (2025)

FRAME: Pre-Training Video Feature Representations via Anticipation and Memory
von: TV, Sethuraman, et al.
Veröffentlicht: (2025)

Stress Tests REVEAL Fragile Temporal and Visual Grounding in Video-Language Models
von: T V, Sethuraman, et al.
Veröffentlicht: (2026)

Region-Based Representations Revisited
von: Shlapentokh-Rothman, Michal, et al.
Veröffentlicht: (2024)

Anytime Continual Learning for Open Vocabulary Classification
von: Zhu, Zhen, et al.
Veröffentlicht: (2024)

Continual Learning in Open-vocabulary Classification with Complementary Memory Systems
von: Zhu, Zhen, et al.
Veröffentlicht: (2023)

Towards Improved Text-Aligned Codebook Learning: Multi-Hierarchical Codebook-Text Alignment with Long Text
von: Liang, Guotao, et al.
Veröffentlicht: (2025)

MonoPatchNeRF: Improving Neural Radiance Fields with Patch-based Monocular Guidance
von: Wu, Yuqun, et al.
Veröffentlicht: (2024)

Synth-Align: Improving Trustworthiness in Vision-Language Model with Synthetic Preference Data Alignment
von: Wijaya, Robert, et al.
Veröffentlicht: (2024)

Aligning Information Capacity Between Vision and Language via Dense-to-Sparse Feature Distillation for Image-Text Matching
von: Liu, Yang, et al.
Veröffentlicht: (2025)

TagAlign: Improving Vision-Language Alignment with Multi-Tag Classification
von: Liu, Qinying, et al.
Veröffentlicht: (2023)

Unbiased Region-Language Alignment for Open-Vocabulary Dense Prediction
von: Li, Yunheng, et al.
Veröffentlicht: (2024)

Improving Concept Alignment in Vision-Language Concept Bottleneck Models
von: Selvaraj, Nithish Muthuchamy, et al.
Veröffentlicht: (2024)

Enhancing Vision-Language Model with Unmasked Token Alignment
von: Liu, Jihao, et al.
Veröffentlicht: (2024)

Seeing Through Words, Speaking Through Pixels: Deep Representational Alignment Between Vision and Language Models
von: He, Zoe Wanying, et al.
Veröffentlicht: (2025)

Aligning Text, Images, and 3D Structure Token-by-Token
von: Sahoo, Aadarsh, et al.
Veröffentlicht: (2025)

Modest-Align: Data-Efficient Alignment for Vision-Language Models
von: Liu, Jiaxiang, et al.
Veröffentlicht: (2025)

Hierarchical Text-to-Vision Self Supervised Alignment for Improved Histopathology Representation Learning
von: Watawana, Hasindri, et al.
Veröffentlicht: (2024)

ComAlign: Compositional Alignment in Vision-Language Models
von: Abdollah, Ali, et al.
Veröffentlicht: (2024)

AlignGuard: Scalable Safety Alignment for Text-to-Image Generation
von: Liu, Runtao, et al.
Veröffentlicht: (2024)

Visual Program Distillation with Template-Based Augmentation
von: Shlapentokh-Rothman, Michal, et al.
Veröffentlicht: (2024)

Locality Alignment Improves Vision-Language Models
von: Covert, Ian, et al.
Veröffentlicht: (2024)

ExpAlign: Expectation-Guided Vision-Language Alignment for Open-Vocabulary Grounding
von: Hu, Junyi, et al.
Veröffentlicht: (2026)

Skip-Vision: Efficient and Scalable Acceleration of Vision-Language Models via Adaptive Token Skipping
von: Zeng, Weili, et al.
Veröffentlicht: (2025)

A Dense Reward View on Aligning Text-to-Image Diffusion with Preference
von: Yang, Shentao, et al.
Veröffentlicht: (2024)

DenseGrounding: Improving Dense Language-Vision Semantics for Ego-Centric 3D Visual Grounding
von: Zheng, Henry, et al.
Veröffentlicht: (2025)

Plenoptic PNG: Real-Time Neural Radiance Fields in 150 KB
von: Lee, Jae Yong, et al.
Veröffentlicht: (2024)

TIPSv2: Advancing Vision-Language Pretraining with Enhanced Patch-Text Alignment
von: Cao, Bingyi, et al.
Veröffentlicht: (2026)

$β$-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment
von: Zohra, Fatimah, et al.
Veröffentlicht: (2025)

TextAlign: Preference Alignment for Text Rendering with Hierarchical Rewards
von: Cui, Mingxuan, et al.
Veröffentlicht: (2026)

PointAlign: Feature-Level Alignment Regularization for 3D Vision-Language Models
von: Su, Yuanhao, et al.
Veröffentlicht: (2026)

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

The Curse of Conditions: Analyzing and Improving Optimal Transport for Conditional Flow-Based Generation
von: Cheng, Ho Kei, et al.
Veröffentlicht: (2025)

SAGA: Learning Signal-Aligned Distributions for Improved Text-to-Image Generation
von: Grimal, Paul, et al.
Veröffentlicht: (2025)

MADTP: Multimodal Alignment-Guided Dynamic Token Pruning for Accelerating Vision-Language Transformer
von: Cao, Jianjian, et al.
Veröffentlicht: (2024)

Delta-LLaVA: Base-then-Specialize Alignment for Token-Efficient Vision-Language Models
von: Zamini, Mohamad, et al.
Veröffentlicht: (2025)

Pareto-Enhanced Portrait Generation: Vision-Aligned Text Supervision for Alignment, Realism, and Aesthetics
von: Wang, Yunlong, et al.
Veröffentlicht: (2026)

AlignIT: Enhancing Prompt Alignment in Customization of Text-to-Image Models
von: Agarwal, Aishwarya, et al.
Veröffentlicht: (2024)