Buchumschlag

Focus-then-Context: Subject-Centric Progressive Visual Token Reduction for Vision-Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Yulin, Wang, Yun, Zheng, Dehua, jiang, Borui, Zhang, Zheng
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence 11 F.3.2
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AGFT: Alignment-Guided Fine-Tuning for Zero-Shot Adversarial Robustness of Vision-Language Models
von: Cui, Yubo, et al.
Veröffentlicht: (2026)

Towards Lossless Ultimate Vision Token Compression for VLMs
von: Zheng, Dehua, et al.
Veröffentlicht: (2025)

PPE: Positional Preservation Embedding for Token Compression in Multimodal Large Language Models
von: Huang, Mouxiao, et al.
Veröffentlicht: (2025)

SimpliPy: A Source-Tracking Notional Machine for Simplified Python
von: Jain, Moida Praneeth, et al.
Veröffentlicht: (2025)

What if we have 90 minutes only to teach programming?
von: Egri-Nagy, Attila
Veröffentlicht: (2026)

Double Eisenstein series and modular forms of level $4$
von: Kina, Katsumi
Veröffentlicht: (2024)

Using Vision + Language Models to Predict Item Difficulty
von: Khan, Samin
Veröffentlicht: (2026)

Shimura lift of Rankin-Cohen brackets of eigenforms and theta series
von: Wang, Wei
Veröffentlicht: (2024)

Object-Centric Vision Token Pruning for Vision Language Models
von: Li, Guangyuan, et al.
Veröffentlicht: (2025)

Weaving Context Across Images: Improving Vision-Language Models through Focus-Centric Visual Chains
von: Zhang, Juntian, et al.
Veröffentlicht: (2025)

Towards Interpretable Foundation Models for Retinal Fundus Images
von: Mensah, Samuel Ofosu, et al.
Veröffentlicht: (2026)

On twisted Koecher-Maass series and its integral Kernel
von: Herrera, Fernando
Veröffentlicht: (2024)

Triple Correlation Sums of Coefficients of Cusp Forms
von: Hulse, Thomas A., et al.
Veröffentlicht: (2019)

Symmetric multiple Eisenstein series
von: Hara, Takashi, et al.
Veröffentlicht: (2026)

CLM: Removing the GPU Memory Barrier for 3D Gaussian Splatting
von: Zhao, Hexu, et al.
Veröffentlicht: (2025)

Inversion by Partial Evaluation: A Reversible Interpreter Experiment
von: Glück, Robert, et al.
Veröffentlicht: (2024)

Replicate, Reuse, Repeat: Capturing Non-Linear Communication via Session Types and Graded Modal Types
von: Marshall, Danielle, et al.
Veröffentlicht: (2022)

On obstructions to the Euler system method for Rankin-Selberg convolutions
von: Studnia, Elie
Veröffentlicht: (2024)

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

Modelling Distributed Applications with Mixed-Choice Stateful Typestates
von: Parrinha, Francisco, et al.
Veröffentlicht: (2026)

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

Current and future roles of artificial intelligence in retinopathy of prematurity
von: Jafarizadeh, Ali, et al.
Veröffentlicht: (2024)

DRIVE-T: A Methodology for Discriminative and Representative Data Viz Item Selection for Literacy Construct and Assessment
von: Locoro, Angela, et al.
Veröffentlicht: (2025)

SparseVLM: Visual Token Sparsification for Efficient Vision-Language Model Inference
von: Zhang, Yuan, et al.
Veröffentlicht: (2024)

PVC: Progressive Visual Token Compression for Unified Image and Video Processing in Large Vision-Language Models
von: Yang, Chenyu, et al.
Veröffentlicht: (2024)

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

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

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

Seeing the Forest and the Trees: Solving Visual Graph and Tree Based Data Structure Problems using Large Multimodal Models
von: Gutierrez, Sebastian, et al.
Veröffentlicht: (2024)

Congruences modulo $23$ to $y^2=x^3-23$ are trivial
von: Studnia, Elie
Veröffentlicht: (2025)

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

TinyChemVL: Advancing Chemical Vision-Language Models via Efficient Visual Token Reduction and Complex Reaction Tasks
von: Zhao, Xuanle, et al.
Veröffentlicht: (2025)

Residual paramodularity of a certain Calabi-Yau threefold
von: Dummigan, Neil, et al.
Veröffentlicht: (2024)

A Vision Centric Remote Sensing Benchmark
von: Adejumo, Abduljaleel, et al.
Veröffentlicht: (2025)

Compositional Separation of Control Flow and Data Flow
von: Arellanes, Damian
Veröffentlicht: (2023)

Gradual Guarantee via Step-Indexed Logical Relations in Agda
von: Siek, Jeremy G.
Veröffentlicht: (2024)

MienCap: Realtime Performance-Based Facial Animation with Live Mood Dynamics
von: Pan, Ye, et al.
Veröffentlicht: (2025)

Generating real-time detailed ground visualisations from sparse aerial point clouds
von: Murray, Aidan, et al.
Veröffentlicht: (2025)

Rethinking Token Reduction for Large Vision-Language Models
von: Wang, Yi, et al.
Veröffentlicht: (2026)

FocusLLaVA: A Coarse-to-Fine Approach for Efficient and Effective Visual Token Compression
von: Zhu, Yuke, et al.
Veröffentlicht: (2024)