视觉大模型 / VLM

VLM-AutoDrive: Post-Training Vision-Language Models for Safety-Critical Autonomous Driving Events

VLM-AutoDrive: 事后训练视觉-语言模型用于安全关键的自动驾驶事件

Mohammad Qazim Bhat, Yufan Huang, Niket Agarwal, Hao Wang, Michael Woods, John Kenyon, Tsung-Yi Lin, Xiaodong Yang, Ming-Yu Liu, Kevin Xie

机构 * NVIDIA 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(title,abstract)；visual question answering(abstract)；multimodal large language model(abstract)

AI总结 本文提出VLM-AutoDrive框架，通过整合元数据生成的描述、LLM生成的描述、视觉问答对和推理监督，提升预训练视觉语言模型在安全关键自动驾驶事件中的检测性能。

Comments 16 pages, 9 figures, submitted to arXiv

Occ-VLM: Occupancy Grounded Vision Language Model for Indoor Scene Understanding

Occ-VLM: 面向室内场景理解的占用接地视觉语言模型

Jianing Li, Zhou Fang, Yijiang Liu, Li Du

机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision language model(title)；vision-language model(abstract)；visual question answering(abstract)

AI总结 提出Occ-VLM，仅用姿态RGB图像和单一2D视觉编码器，通过重建3D占用作为几何先验，实现统一的3D场景理解，在占用预测、3D VQA和密集描述任务上达到领先水平。

A Unified Vision-Language Model for PSMA PET/CT Report Generation, Visual Question Answering, and Lesion Segmentation

用于PSMA PET/CT报告生成、视觉问答和病灶分割的统一视觉语言模型

Yang Xing, Jiong Wu, Savas Ozdemir, Yang Zhou, Boxiao Yu, Ying Zhang, Zheren Zhu, Chenyu You, Wei Shao, Yang Lu, Kang Wang, Tinsu Pan, Yang Yang, Kuang Gong

机构 * University of Florida（佛罗里达大学） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Stony Brook University（纽约州立大学石溪分校） ； The University of Texas MD Anderson Cancer Center（得克萨斯大学MD安德森癌症中心） 纠错

专题命中 视觉问答 ：vision-language model(title,abstract)；visual question answering(title,abstract)；VLM(abstract,abstract_cn)；LLaVA(abstract,abstract_cn)

AI总结 提出统一PSMA PET/CT视觉语言模型，集成报告生成、视觉问答和病灶分割，在多项指标上优于现有方法，实现多任务一体化分析。

jina-vlm: Small Multilingual Vision Language Model

Jina-VLM：小规模多语言视觉语言模型

Andreas Koukounas, Georgios Mastrapas, Florian Hönicke, Sedigheh Eslami, Guillaume Roncari, Han Xiao

机构 * Jina AI 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision language model(title)；vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 Jina-VLM是一款24亿参数的多语言视觉语言模型，通过结合SigLIP2视觉编码器与Qwen3语言主干，实现了高效多语言视觉问答性能。

Comments 23 pages, 1-10 main content, 11-23 references and appendix

RE-VLM: Event-Augmented Vision-Language Model for Scene Understanding

RE-VLM：事件增强的视觉-语言模型用于场景理解

Hanqing Liu, Mingjie Liu, Luoping Cui, Endian Lin, Donghong Jiang, Chuang Zhu

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文提出RE-VLM，一种结合RGB图像和事件流的双流视觉-语言模型，旨在提升在正常和恶劣条件下对场景的理解能力。通过事件相机提供的高时间分辨率和宽动态范围的数据，RE-VLM在场景描述和视觉问答任务中优于现有模型。

Comments 10 pages, 6 figures, 6 tables

P$^3$-VLM: A Point-based Alternative for Grounded 3D Vision-Language Models

P³-VLM：一种基于点的接地三维视觉语言模型替代方案

Anna-Maria Halacheva, Jan-Nico Zaech, Sombit Dey, Luc Van Gool, Danda Pani Paudel

机构 * INSAIT, Sofia University “St. Kliment Ohridski”（INSAIT，索非亚大学“圣·克莱门特·奥赫里德斯基”） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(title)；grounding(abstract)；分类 cs.CV

AI总结 该研究针对3D VLM中边界框导致的语义泄漏问题，提出基于点的接地提示，构建新型三通路3D VLM P³-VLM，在位置接地字幕任务达SOTA准确率，同时提升鲁棒性与泛化能力。

Comments NeurIPS 2026, Spotlight

Decoding the Delta: Unifying Remote Sensing Change Detection and Understanding with Multimodal Large Language Models

解读Delta：利用多模态大语言模型统一遥感变化检测与理解

Xiaohe Li, Jiahao Li, Kaixin Zhang, Yuqiang Fang, Leilei Lin, Hong Wang, Haohua Wu, Zide Fan

机构 * Aerospace Information Research Institute, CAS（航天信息研究所，中国科学院） ； Space Engineering University（航天工程大学） ； Capital Normal University（首都师范大学） 纠错

专题命中 视觉问答 ：LLaVA(summary_cn,abstract)；multimodal large language model(title,abstract)；MLLM(abstract,abstract_cn)；visual question answering(abstract)

AI总结 本文提出Delta-LLaVA框架，通过多时间尺度对比推理和空间定位，解决遥感变化理解中的时间盲问题，实现像素级分割与视觉问答的统一。

EyeVQA: Benchmarking Ophthalmic Vision-Language Models from Recognition to Spatial Grounding

EyeVQA：从识别到空间定位的眼科视觉语言模型基准测试

Gujie Shao, Zixun Xie, Xuechun Xing, Ruixiang Wang, Ziyun Lan, Yanlin Qi, Gangyi Zhang, Yuxin Yang, Dawei Li, Haiming Tang

专题命中 视觉问答 ：vision-language model(title,abstract)；grounding(title,abstract)；VLM(summary_cn,abstract_cn)；visual question answering(abstract)

AI总结 EyeVQA是一个统一眼科VQA基准，含20,000个问答对，覆盖六类疾病和七种问题类型，44.5%需跨图像推理；基准测试14个VLM，最佳得分仅62.8，揭示空间定位和跨任务泛化的显著不足。

Comments Accepted to MICCAI 2026 CREATE Workshop. 19 pages, 2 figures, 2 tables. Project page: https://github.com/PKUTHM/EyeVQA

MG-VQA: Manipulation Grounded Visual Question Answering with VLMs

PROBE：基于操作的视觉问答（使用VLM智能体）

Vineet Bhat, Mikaela Angelina Uy, Siyi Chen, Chan Hee Song, Alex Zook, Xuning Yang, Stan Birchfield, Valts Blukis, Jonathan Tremblay

机构 * NVIDIA（英伟达） 纠错

专题命中 视觉问答 ：VLM(title_cn,summary_cn)；visual question answering(title,abstract)；vision-language model(abstract)；分类 cs.CV

AI总结 针对现实杂乱环境中需操作遮挡物体的视觉问答问题，提出PROBE框架，含模拟器、基准测试集及微调方案，提升VLM智能体性能并验证模拟到现实的迁移。

Comments The previous version of this paper (V1) was called: "Probe: Manipulation-Grounded Visual Question Answering with VLM Agents"

Harnessing Image Question Dependence for Better VLM Test-time Reinforcement Learning

利用图像-问题依赖性改进VLM测试时强化学习

Xinrui He, Ting-Wei Li, Junting Wang, Mengting Ai, Xinyu He, Hanghang Tong, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.LG

AI总结 针对VLM测试时强化学习中共识信号不可靠的问题，提出TTIQ框架，利用图像与问题的依赖性构建奖励，在多个VQA数据集上取得最优平均性能。

MLLM Frame Subset Ensembling for Audio-Visual Video QA and MLLM-based Reranking for Ad-hoc Video Search in TRECVID 2025

面向TRECVID 2025的视听视频问答的MLLM框架子集集成与面向临时视频搜索的基于MLLM的重排序

Andreas Goulas, Damianos Galanopoulos, Ioannis Patras, Vasileios Mezaris

机构 * Information Technologies Institute (ITI), Centre of Research and Technology Hellas (CERTH)（希腊研究与技术中心信息技术研究所） ； Queen Mary University of London（伦敦大学玛丽皇后学院） 纠错

专题命中 视觉问答 ：MLLM(title,title_cn)；vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV

AI总结 该研究针对TRECVID 2025的AVS和VQA赛道，提出基于MLLM的两阶段AVS框架与微调加帧子集集成的VQA方法，在对应任务取得优异成绩。

Comments Proc. TREC 2025 Workshop, Dec. 2025

How Much Does It Cost to Answer My Question? Benchmarking Cloud VLM-based VQA Systems

回答我的问题需要多少成本？基于云VLM的VQA系统基准测试

Henri Vanhuynegem, Weitao Xu, Yiran Shen, Guohao Lan

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(abstract)；visual question answering(abstract)；分类 cs.CV

AI总结 本研究推出首个将客户端输入预处理作为受控变量的VQABench基准，评估12种预处理技术在3个VQA数据集、4个商业VLMs上的95168次API调用，明确预处理对云VLM-based VQA的成本-质量影响，为VQA系统部署提供指导。

Object Tokens as a Bridge Between Segmentation and Visual Question Answering in Robotic Surgery

对象标记作为机器人手术中分割与视觉问答的桥梁

Yiping Li, Ronald de Jong, Romy van Jaarsveld, Franco Badaloni, Gino Kuiper, Jelle Ruurda, Josien Pluim, Marcel Breeuwer

机构 * Department of Biomedical Engineering, Eindhoven University of Technology（埃因霍温理工大学生物医学工程系） ； Department of Electrical Engineering, Eindhoven University of Technology（埃因霍温理工大学电气工程系） ； Department of Surgery, University Medical Center Utrecht（乌得勒支大学医学中心外科） 纠错

专题命中 视觉问答 ：VLM(summary_cn,abstract)；visual question answering(title,abstract)；vision-language model(abstract)；visual reasoning(abstract)

AI总结 提出统一框架，联合像素级分割与视觉问答，通过VLM生成对象标记引导答案预测和分割掩码，在RAMIE和EndoVis18数据集上优于基线方法。

SAR-RAG: ATR Visual Question Answering by Semantic Search, Retrieval, and MLLM Generation

SAR-RAG：通过语义搜索、检索和MLLM生成实现目标识别的视觉问答

David F. Ramirez, Tim Overman, Kristen Jaskie, Joe Marvin, Andreas Spanias

机构 * SenSIP Center, School of ECEE, Arizona State University（SenSIP中心，电子与计算机工程学院，亚利桑那州立大学） ； Prime Solutions Group Inc（Prime Solutions Group公司） 纠错

专题命中 视觉问答 ：MLLM(title,title_cn)；visual question answering(title)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出SAR-RAG方法，结合多模态大语言模型和语义嵌入向量数据库，通过语义搜索和检索提升SAR图像目标识别的准确性，通过分类和回归指标验证效果。

Comments Accepted to 2026 SPIE Defense + Security, Automatic Target Recognition XXXVI

BEFORE THE FLIP: Measuring Hidden Score Shifts In Quantized Vision Language Models Before The Answer Changes for Visual Question Answering

在翻转之前：量化视觉语言模型中答案改变前的隐藏分数偏移测量用于视觉问答

Sourajit Saha, Shubhashis Roy Dipta, Shaswati Saha, Nobin Sarwar, Yuxuan Jiang

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） 纠错

专题命中 视觉问答 ：vision language model(title,abstract)；visual question answering(title,abstract)；LLaVA(abstract,abstract_cn)；VLM(abstract_cn)

AI总结 本研究提出“在翻转之前”方法，测量量化视觉语言模型中答案不变时的隐藏分数偏移，发现4比特压缩比8比特更显著改变分数差距，但逐问题调整精度无可靠益处。

Comments Under Review at VLM4RWD @ NeurIPS 2026

AutoVQA-G: Self-Improving Agentic Framework for Automated Visual Question Answering and Grounding Annotation

AutoVQA-G：用于自动视觉问答与接地标注的自我改进代理框架

Rongsheng Hu, Runwei Guan, Yicheng Di, Jiayu Bao, Yuan Liu

机构 * School of Artificial Intelligence（人工智能学院） 纠错

专题命中 视觉问答 ：visual question answering(title,abstract)；grounding(title,abstract)；VLM(abstract,abstract_cn)；vision-language model(abstract)

AI总结 本文提出AutoVQA-G框架，通过迭代优化流程提升视觉问答接地标注的准确性，优于现有多模态LLM，为构建高质量数据促进更稳健的视觉语言模型训练提供新方法。

Comments Accepted at IEEE ICASSP 2026. 5 pages, 5 figures. Code available at https://github.com/rohnson1999/AutoVQA-G

Journal ref Proc. 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 12312-12316, 2026

Can Visual Language Models Replace OCR-Based Visual Question Answering Pipelines in Production? A Case Study in Retail

视觉语言模型能否在生产环境中取代基于OCR的视觉问答流水线？零售领域的案例研究

Bianca Lamm, Janis Keuper

机构 * Markant Services International GmbH（玛兰特国际服务有限公司） ； Offenburg University（奥芬堡大学） 纠错

专题命中 视觉问答 ：visual question answering(title,abstract)；visual language model(title)；vision language model(abstract)；VLM(abstract)

AI总结 本文在生产级零售场景下评估了多种开源与商业视觉语言模型在VQA和OCR任务中的表现，发现它们虽能准确识别品牌和价格，但在细粒度产品名称识别和折扣概念理解上存在明显局限。

An Empirical Study of VLM Pipelines for Long-Document QA

长文档问答中VLM流水线的实证研究

Kenan E. Ak, Jay Mohta, Gwang Gook Lee, Yan Xu, Dimitrios Dimitriadis

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 本研究实证比较了长文档QA中VLM流水线的输入方式、检索器和智能体/静态选择，发现检索模态比检索器更重要，智能体仅在大型VLM上有效，且不同流水线互补，oracle组合可提升约13个百分点。

Comments 22 pages. EMNLP 2026 Industry Track

AgentVidBench: A Multi-Hop Video Question Answering Benchmark for Evaluating MLLM Agents

AgentVidBench：用于评估MLLM智能体的多跳视频问答基准

Seoyeon An, Hyeonseo Jang, Minsu Kim, Chanho Lee, Younghan Park, Kangwook Lee

机构 * KRAFTON（魁匠团） 纠错

专题命中 视觉问答 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 AgentVidBench提出多跳视频问答基准，评估MLLM智能体的时空因果推理，提供解题轨迹，实验显示智能体工作流提升性能，并给出强基线。

Comments 36 pages, 8 figures. Code: https://github.com/krafton-ai/agentvidbench Dataset: https://huggingface.co/datasets/agentvidbench/agentvidbench

SurgQ-VLM: Question-Conditioned Dual-Stream Compression and Answer-Type-Aware Reinforcement for Surgical Video Question Answering

SurgQ-VLM：面向外科视频问答的问题条件双流压缩与答案类型感知强化

Dhruv Makwana, Ananya Mantravadi

机构 * Centific Global Solutions（森蒂菲全球解决方案公司） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；visual question answering(abstract)；分类 cs.CV

AI总结 SurgQ-VLM是面向外科视频问答的两阶段模型，通过问题条件双流压缩器与答案类型感知GRPO强化，在21840题的测试集上实现0.779关键词准确率，BLEU-4较零样本提升10倍。

Comments Accepted to WACV 2027 (Applications track). 16 pages: 8-page main paper, references, and supplementary material. Code: https://github.com/DhruvMakwana/SurgQ-VLM ; Weights: https://huggingface.co/dhruvmakwana/SurgQ-VLM-7B

Bridging Vision Language Models and Symbolic Grounding for Video Question Answering

面向视频问答的视觉语言模型与符号化基础结合

Haodi Ma, Vyom Pathak, Daisy Zhe Wang

机构 * Univerisy of Florida（佛罗里达大学） 纠错

专题命中 视觉问答 ：vision language model(title,abstract)；grounding(title,abstract)；VLM(abstract)；InternVL(abstract)

AI总结 提出SG-VLM框架，通过提示和视觉定位将冻结的视觉语言模型与符号化场景图结合，在多个基准上改进视频问答的因果与时间推理。

SpatialScout: Can VLM Agents Actively Explore and Map 3D Scenes?

SpatialScout：VLM智能体能否主动探索并绘制3D场景地图？

Zhaoxi Zhang, Hao Liang, Linxuan Wu, Yiming Xu, Yifu Yuan, Kun Liang, Chenming Tang, Meiyi Qiang, Wentao Zhang, Weikang Li

机构 * Peking University（北京大学） ； Tianjin University（天津大学） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV

AI总结 提出SpatialScout基准评估VLM智能体的主动对象级3D地图绘制能力，实验显示最强模型Claude Opus 5.5仅达41.71%平均重叠分，暴露了构建精确3D地图的显著差距。

Behavior Pack Optimization for Video MLLM Post-Training

视频多模态大语言模型后训练的行为包优化

Zhaolu Kang, Shiyu Liu, Tailong Luo, Wei Zhang, Yingjie He, Lei Wei, Guansu Wang, Liang He, Siheng Wang, Guangyuan Dong, Jiaqi Su, Shuang Chen, Haoyu Ji, Qishi Zhan, Kaiyue Zhou

机构 * Peking University（北京大学） ； The University of Melbourne（墨尔本大学） ； Stanford University（斯坦福大学） ； Chengdu Minto Tech（成都明图科技） 纠错

专题命中 视觉问答 ：MLLM(title,summary_cn)；LLaVA(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV

AI总结 针对视频MLLM后训练中依赖外观和语言先验而忽视时间证据的问题，提出行为包优化（BPO），通过跨反事实视角联合评分并采用锚定相对优势，在多个基准上显著提升准确率与弃权能力。

Comments NeurIPS 2026 poster

CityToolVQA: Tool-Augmented Visual Question Answering for 3D Spatial Cognition in Urban Low-Altitude Environments

CityToolVQA：面向城市低空环境三维空间认知的工具增强视觉问答

Boao Yu, Yingzhen Nie, Yue Hu, Zhengqiu Zhu, Rusheng Ju

专题命中 视觉问答 ：VLM(summary_cn,abstract)；visual question answering(title,abstract)；vision-language model(abstract)；grounding(abstract)

AI总结 CityToolVQA 通过外部视觉-几何工具链处理定量问题，提升 VLM 在城市低空环境中的三维空间认知，在 Open3D-VQA-v2 上显著提高准确率。

Comments 10 pages, 3 figures, 3 tables

FreqDoor: A Hidden Trojan in the Frequency Domain for Backdoor Attacks on Vision-Language Models

FreqDoor：面向视觉-语言模型后门攻击的频率域隐藏木马

Yasir Arafat Prodhan, Sadad Hasan, Mohammed Imamul Hassan Bhuiyan

专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(summary_cn,abstract_cn)；LLaVA(abstract,abstract_cn)；visual question answering(abstract)

AI总结 提出FreqDoor，一种在频率域植入不可见触发器的训练时后门攻击，通过混合幅度谱并保留相位，在多个VLM上实现高攻击成功率。

Comments 13 pages, 5 figures

Inter-3D VQA: A Roadside Multimodal Benchmark for 3D Spatiotemporally Grounded Visual Question Answering

Inter-3D VQA：用于3D时空视觉问答的路侧多模态基准

Shaozu Ding, Linan Song, Dajiang Suo

机构 * The Polytechnic School, Arizona State University（亚利桑那州立大学理工学院） 纠错

专题命中 视觉问答 ：visual question answering(title,abstract)；VLM(summary_cn,abstract_cn)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)

AI总结 本文提出用于交叉口3D时空视觉问答的路侧多模态基准Inter-3D VQA，构建含40.7万问答对的数据集，提出基线模型Inter-Geo与评估框架Inter-Metrics，实验显示Inter-Geo在接地时空推理任务上优于基于图像的VLM。

Comments Accepted to EMNLP 2026 main conference

ASCD: Attention-Steerable Contrastive Decoding for Reducing Hallucination in MLLM

ASCD：用于减少多模态大语言模型（MLLM）幻觉的注意力可导向对比解码

Yujun Wang, Aniri, Jinhe Bi, Soeren Pirk, Yunpu Ma

专题命中 视觉问答 ：MLLM(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV

AI总结 该研究针对MLLM的幻觉问题，提出ASCD方法，通过正负引导调整解码时的注意力分数，在多基准上显著减少幻觉并提升VQA准确率，且无需额外训练。

Comments Accepted at AAAI 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(12): 10306-10314, 2026

Rethinking VLM Representation for VLA Initialization

重新思考用于VLA初始化的VLM表示

Weifeng Lin, Siyuan Huang, Hao Li, Tingwei Chen, Ruichuan An, Xinyu Wei, Jianbo Liu, Hongsheng Li

机构 * CUHK（香港中文大学） ； PolyU ； Peking University（北京大学） ； ACE Robotics（ACE机器人） 纠错

专题命中 视觉问答 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV

AI总结 本文通过控制表示设计问题，沿能力级具身VQA监督、参数更新策略和机器人数据预训练三个轴，研究VLA初始化，发现保留预训练VLM表示对动作性能至关重要，而LoRA比全微调提供更可靠的初始化，分阶段基于LoRA的训练获得最强变体。

Comments 9 main-text pages, 5 appendix pages, 4 figures

PerceptRL: Making Visual Perception Rewardable in MLLMs from Answers to Interactions

PerceptRL：在多模态大语言模型（MLLM）中实现视觉感知的可奖励性——从答案到交互

Tongkun Guan, Zhibo Yang, Mingkun Yang, Haocheng Wang, Wei Shen, Xiaokang Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Qwen（通义千问） 纠错

专题命中 视觉问答 ：MLLM(title_cn,summary_cn)；VLM(abstract,abstract_cn)；grounding(abstract)；multimodal large language model(abstract)

AI总结 针对MLLM后训练中视觉感知的瓶颈问题，提出PerceptRL框架，通过感知强化学习与感知智能体强化学习两个层面的方法，在七个基准测试中使平均准确率达71.6%，显著优于对比模型。

Surgical-LVLM: Learning to Adapt Large Vision-Language Model for Grounded Visual Question Answering in Robotic Surgery

Surgical-LVLM：学习适配大型视觉-语言模型以用于机器人手术中的扎根视觉问答

Guankun Wang, Long Bai, Wan Jun Nah, Jie Wang, Zhaoxi Zhang, Zhen Chen, Jinlin Wu, Mobarakol Islam, Hongbin Liu, Hongliang Ren

机构 * The Chinese University of Hong Kong（香港中文大学） ； Universiti Malaya（马来亚大学） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（香港智能系统研究所人工智能与机器人中心） ； University College London（伦敦大学学院） 纠错

专题命中 视觉问答 ：vision-language model(title,abstract)；visual question answering(title,abstract)；visual language model(abstract)；grounding(abstract)

AI总结 本文提出面向复杂手术场景的个性化大型视觉-语言模型 Surgical-LVLM，通过 VP-LoRA 与 TIT 模块增强多模态理解和视觉定位，在多个 EndoVis 基准上取得最优性能。

Comments The manuscript is accepted by ICLR 2025 FM-Wild Workshop