视觉大模型 / VLM

"Can You See Me Think?" Grounding LLM Feedback in Keystrokes and Revision Patterns

Samra Zafar, Shifa Yousaf, Muhammad Shaheer Minhas

专题命中 视觉定位与Grounding ：grounding(title)

Comments 15 pages, 4 figures, 6 tables, Submitted to IJCNLP-AACL 2025

DISCO: Language-Guided Manipulation with Diffusion Policies and Constrained Inpainting

Ce Hao, Kelvin Lin, Zhiwei Xue, Siyuan Luo, Harold Soh

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Smart Systems Institute, NUS（NUS智能系统研究所） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)

Journal ref IEEE Robotics and Automation Letters ( Volume: 10, Issue: 10, October 2025)

Unlocking the Potential of MLLMs in Referring Expression Segmentation via a Light-weight Mask Decoder

Jingchao Wang, Zhijian Wu, Dingjiang Huang, Yefeng Zheng, Hong Wang

专题命中 视觉定位与Grounding ：MLLM(abstract)；分类 cs.CV、cs.AI

Comments 9 pages, 4 figures

MIRAGE: Towards AI-Generated Image Detection in the Wild

Cheng Xia, Manxi Lin, Jiexiang Tan, Xiaoxiong Du, Yang Qiu, Junjun Zheng, Xiangheng Kong, Yuning Jiang, Bo Zheng

专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI

Multimodal Data Storage and Retrieval for Embodied AI: A Survey

Yihao Lu, Hao Tang

机构 * School of Economics and Management, South China Normal University（经济管理学院，华南师范大学） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

CrafterDojo: A Suite of Foundation Models for Building Open-Ended Embodied Agents in Crafter

Junyeong Park, Hyeonseo Cho, Sungjin Ahn

机构 * CrafterDojo: A Suite of Foundation Models for Building Open-Ended Embodied Agents in Crafter（CrafterDojo：构建开放性具身智能体的基础模型集合） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI

RadGPT: Constructing 3D Image-Text Tumor Datasets

Pedro R. A. S. Bassi, Mehmet Can Yavuz, Kang Wang, Xiaoxi Chen, Wenxuan Li, Sergio Decherchi, Andrea Cavalli, Yang Yang, Alan Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Bologna（博洛尼亚大学） ； Italian Institute of Technology（意大利理工学院） ； University of California, San Francisco（加州大学旧金山分校） ； Istanbul Medipol University（伊斯坦布尔Medipol大学） ； University of Zurich（苏黎世大学） ； ETH AI Center（ETH人工智能中心） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV