视觉大模型 / VLM

Rule-Based Reinforcement Learning for Document Image Classification with Vision Language Models

基于规则的强化学习用于文档图像分类与视觉语言模型

Michael Jungo, Andreas Fischer

机构 * University of Applied Sciences and Arts Western Switzerland（西瑞士应用艺术大学） ； University of Fribourg（弗里堡大学） 纠错

专题命中 文档图表理解 ：vision language model(title)；分类 cs.CV

AI总结 本文提出基于规则的强化学习方法，用于提升文档图像分类任务的泛化能力，通过不同场景验证其在处理超出分布数据时的优势。

Comments Code available at https://github.com/jungomi/vision-finetune

Journal ref Document Analysis and Recognition - ICDAR 2025 Workshops. pp. 292-309. Cham: Springer Nature Switzerland

Vision Remember: Recovering Visual Information in Efficient LVLM with Vision Feature Resampling

Vision Remember: 在高效的LVLM中通过视觉特征采样恢复视觉信息

Ze Feng, Jiang-jiang Liu, Sen Yang, Lingyu Xiao, Zhibin Quan, Zhenhua Feng, Wankou Yang, Jingdong Wang

机构 * Southeast University（东南大学） ； Baidu VIS（百度视觉） ； The University of Hong Kong（香港大学） ； Jiangnan University（江南大学） 纠错

专题命中 文档图表理解 ：vision-language model(abstract)；LLaVA(abstract)；分类 cs.CV

AI总结 Vision Remember通过视觉特征采样在高效LVLM中恢复视觉信息，提升效率并优于现有方法。

LogicOCR: Do Your Large Multimodal Models Excel at Logical Reasoning on Text-Rich Images?

LogicOCR: 大型多模态模型在文本丰富的图像上逻辑推理是否表现优异？

Maoyuan Ye, Haibin He, Qihuang Zhong, Jing Zhang, Juhua Liu, Bo Du

机构 * School of Computer Science, National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence, and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University（计算机学院、多媒体软件国家工程研究中心、人工智能研究院、多媒体与网络通信工程湖北省重点实验室、武汉大学） 纠错

专题命中 文档图表理解 ：LLaVA(abstract)；分类 cs.CV

AI总结 LogicOCR通过构建包含生成和现实图像问题的基准测试，评估大型多模态模型在文本丰富图像上的逻辑推理能力，并提出TextCue方法提升模型对关键文本区域的感知。

Comments GitHub: https://github.com/MiliLab/LogicOCR