Buchumschlag

Latent Denoising Improves Visual Alignment in Large Multimodal Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Parikh, Dhruv, Fein-Ashley, Jacob, Kannan, Rajgopal, Prasanna, Viktor
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

ClusterViG: Efficient Globally Aware Vision GNNs via Image Partitioning
von: Parikh, Dhruv, et al.
Veröffentlicht: (2025)

Studying the Effects of Self-Attention on SAR Automatic Target Recognition
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2024)

ConsensusDrop: Fusing Visual and Cross-Modal Saliency for Efficient Vision Language Models
von: Parikh, Dhruv, et al.
Veröffentlicht: (2026)

A Single Graph Convolution Is All You Need: Efficient Grayscale Image Classification
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2024)

Benchmarking Deep Learning Classifiers for SAR Automatic Target Recognition
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2023)

Can Graphs Help Vision SSMs See Better?
von: Parikh, Dhruv, et al.
Veröffentlicht: (2026)

ImageHD: Energy-Efficient On-Device Continual Learning of Visual Representations via Hyperdimensional Computing
von: Arockiaraj, Jebacyril, et al.
Veröffentlicht: (2026)

Accelerating ViT Inference on FPGA through Static and Dynamic Pruning
von: Parikh, Dhruv, et al.
Veröffentlicht: (2024)

VTR: An Optimized Vision Transformer for SAR ATR Acceleration on FPGA
von: Wickramasinghe, Sachini, et al.
Veröffentlicht: (2024)

Mixture of Thoughts: Learning to Aggregate What Experts Think, Not Just What They Say
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2025)

Bridging Hidden States in Vision-Language Models
von: Fein-Ashley, Benjamin, et al.
Veröffentlicht: (2025)

Diffusion Models with Anisotropic Gaussian Splatting for Image Inpainting
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2024)

Uncertainty-Aware SAR ATR: Defending Against Adversarial Attacks via Bayesian Neural Networks
von: Ye, Tian, et al.
Veröffentlicht: (2024)

Adversarial Training in Low-Label Regimes with Margin-Based Interpolation
von: Ye, Tian, et al.
Veröffentlicht: (2024)

FACTUAL: A Novel Framework for Contrastive Learning Based Robust SAR Image Classification
von: Wang, Xu, et al.
Veröffentlicht: (2024)

Primitive-Driven Acceleration of Hyperdimensional Computing for Real-Time Image Classification
von: Parikh, Dhruv, et al.
Veröffentlicht: (2026)

GraphLeap: Decoupling Graph Construction and Convolution for Vision GNN Acceleration on FPGA
von: Ramachandran, Anvitha, et al.
Veröffentlicht: (2026)

GCV-Turbo: End-to-end Acceleration of GNN-based Computer Vision Tasks on FPGA
von: Zhang, Bingyi, et al.
Veröffentlicht: (2024)

PAHD: Perception-Action based Human Decision Making using Explainable Graph Neural Networks on SAR Images
von: Wijeratne, Sasindu, et al.
Veröffentlicht: (2024)

Contextual Feedback Loops: Amplifying Deep Reasoning with Iterative Top-Down Feedback
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2024)

HVT: A Comprehensive Vision Framework for Learning in Non-Euclidean Space
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2024)

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

LatentUMM: Dual Latent Alignment for Unified Multimodal Models
von: Luo, Yinyi, et al.
Veröffentlicht: (2026)

SPECTRE: An FFT-Based Efficient Drop-In Replacement to Self-Attention for Long Contexts
von: Fein-Ashley, Jacob, et al.
Veröffentlicht: (2025)

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

DeTrack: In-model Latent Denoising Learning for Visual Object Tracking
von: Zhou, Xinyu, et al.
Veröffentlicht: (2025)

Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment
von: Yan, Ziang, et al.
Veröffentlicht: (2024)

Denoising and Alignment: Rethinking Domain Generalization for Multimodal Face Anti-Spoofing
von: Ma, Yingjie, et al.
Veröffentlicht: (2025)

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

Semantic Alignment for Multimodal Large Language Models
von: Wu, Tao, et al.
Veröffentlicht: (2024)

Latent Denoising Makes Good Tokenizers
von: Yang, Jiawei, et al.
Veröffentlicht: (2025)

Images are Achilles' Heel of Alignment: Exploiting Visual Vulnerabilities for Jailbreaking Multimodal Large Language Models
von: Li, Yifan, et al.
Veröffentlicht: (2024)

Taxonomy-Aware Representation Alignment for Hierarchical Visual Recognition with Large Multimodal Models
von: He, Hulingxiao, et al.
Veröffentlicht: (2026)

TabConv: Low-Computation CNN Inference via Table Lookups
von: Gupta, Neelesh, et al.
Veröffentlicht: (2024)

Assessment of Multimodal Large Language Models in Alignment with Human Values
von: Shi, Zhelun, et al.
Veröffentlicht: (2024)

BASIC: Boosting Visual Alignment with Intrinsic Refined Embeddings in Multimodal Large Language Models
von: Tang, Jianting, et al.
Veröffentlicht: (2025)

Multimodal Latent Reasoning via Hierarchical Visual Cues Injection
von: Zhang, Yiming, et al.
Veröffentlicht: (2026)

Text-to-Image Alignment in Denoising-Based Models through Step Selection
von: Grimal, Paul, et al.
Veröffentlicht: (2025)

Referring Multiple Regions with Large Multimodal Models via Contextual Latent Steering
von: Xing, Yun, et al.
Veröffentlicht: (2026)

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