VisionWeave: 시각 토큰을 버리지 않고 해상도를 배분한다
VisionWeave는 공간 블록마다 정밀 토큰과 압축 토큰을 선택해 시각 표현의 밀도를 학습한다. 토큰 절감·서빙 효과와 아직 공개되지 않은 학습 가중치를 함께 살핀다.
Tag4 posts
#Multimodal LLM
글 목록
S-Space: 모델은 위치를 알면서도 시점 전환을 틀린다
S-Space는 멀티모달 모델의 객체 토큰에서 공간 좌표를 읽고 개입해, 위치 지각과 시점 변환 추론의 실패를 분리하는 진단 방법이다.
ReRe는 공간 추론을 한 번 더 보게 만든다: egocentric video에서 합성 시점으로 검증하기
ICML 2026 논문 Reason, Then Re-reason은 egocentric video 하나만 보고 답을 확정하는 대신, 먼저 가설을 만들고 VGGT 기반 Geometry-to-Video가 만든 allocentric view로 다시 검증하는...
X2SAM은 이미지용 SAM을 비디오용 대화형 분할 모델로 확장하는 가장 직접적인 경로다
X2SAM은 텍스트 프롬프트와 시각 프롬프트를 하나의 인터페이스로 묶고, Mask Memory와 joint training으로 이미지와 비디오 전반의 segmentation을 통합한 MLLM이다. 특히 V-VGD 벤치마크를 새로 제안하며 비디오 vis...