vision-language datasets | BriefGPT

关键词vision-language datasets

搜索结果 - 5

通过多实例视觉提示生成器增强多模态大语言模型以实现视觉表征丰富化
本研究探讨了多模态大型语言模型的性能，通过利用视觉适配器将视觉表示与语言模型相结合，在多个视觉语言任务中取得了最先进的表现。研究还提出了一种通用组件，名为多示例视觉提示生成器（MIVPG），通过利用图像或样本相同的补丁之间的实例相关性，将丰
PDFa month ago
DOCCI：连接和对比图像的描述
通过介绍 Descriptions of Connected and Contrasting Images (DOCCI) 数据集，本文表明 DOCCI 是一个有效的图像到文本生成的训练资源，并展示了当前文本到图像模型在捕捉长描述和细节方面
PDF2 months ago
完美无误：改进文本到图像模型中的空间一致性
当前文本到图像模型在生成空间关系时存在问题，本文通过创建新的数据集 SPRIGHT 和优化训练方法，提高了空间一致性，并为进一步研究提供了数据集和模型。
PDF3 months ago
一幅图片胜过 77 个文本标记：对密集字幕下的 CLIP 风格模型进行评估
有关大规模视觉语言数据集的筛选方法在数据集大小和质量之间进行权衡，而即使是可用的最高质量的筛选标题也远远不足以捕捉图像中丰富的视觉细节。
PDF7 months ago
使用 Polite Flamingo 进行视觉指导调整
本文主要介绍了 Polite Flamingo, 一种用于语境下回复重新构建的多模式响应重写器，并将其应用于大量的视觉语言数据集中，进一步利用新方法调整多段式调优和多轮增强，生成 PF-1M 数据集，并使用该数据集对多模式 LLM 进行细化
PDFa year ago