视觉大模型 / VLM

ViInfographicVQA: A Benchmark for Single and Multi-image Visual Question Answering on Vietnamese Infographics

ViInfographicVQA：单图和多图越南信息图视觉问答基准测试

Tue-Thu Van-Dinh, Hoang-Duy Tran, Truong-Binh Duong, Mai-Hanh Pham, Binh-Nam Le-Nguyen, Quoc-Thai Nguyen

机构 * Neu.edu.vn 纠错

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

AI总结 ViInfographicVQA是首个针对越南信息图VQA的基准测试，通过单图和多图任务评估模型在复杂信息图中的视觉问答能力。

Comments 10 pages, 4 figures, Accepted to AI4Research @ AAAI

DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning

DrivePI: 基于空间感知的4D MLLM用于统一自动驾驶理解、感知、预测与规划

Zhe Liu, Runhui Huang, Rui Yang, Siming Yan, Zining Wang, Lu Hou, Di Lin, Xiang Bai, Hengshuang Zhao

机构 * The University of Hong Kong（香港大学） ； Yinwang Intelligent Technology Co. Ltd.（英维智能科技有限公司） ； Tianjin University（天津大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

专题命中 视觉问答 ：MLLM(title,abstract)；分类 cs.CV

AI总结 DrivePI是一种基于空间感知的4D MLLM，用于统一自动驾驶的理解、感知、预测和规划，通过端到端优化实现多任务并行，提升性能并减少碰撞率。

Toward Ambulatory Vision: Learning Visually-Grounded Active View Selection

迈向便携视觉：基于视觉的主动视角选择

Juil Koo, Daehyeon Choi, Sangwoo Youn, Phillip Y. Lee, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出基于视觉的主动视角选择方法，通过仅利用当前图像中的视觉信息来选择最有信息量的视角，从而提升视觉问答的性能和泛化能力。

Comments Project page: https://active-view-selection.github.io/

Ego-EXTRA: video-language Egocentric Dataset for EXpert-TRAinee assistance

Ego-EXTRA：视频语言眼动数据集用于专家-学员协助

Francesco Ragusa, Michele Mazzamuto, Rosario Forte, Irene D'Ambra, James Fort, Jakob Engel, Antonino Furnari, Giovanni Maria Farinella

机构 * Department of Mathematics and Computer Science - University of Catania（数学与计算机科学系 - 卡塔尼亚大学） ； Next Vision s.r.l. - Spinoff of the University of Catania（Next Vision公司 - 卡塔尼亚大学衍生机构） ； Meta Reality Labs Research（Meta现实实验室） 纠错

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

AI总结 Ego-EXTRA数据集通过专家-学员双向对话评估多模态大语言模型，揭示其在专家级帮助中的局限性。

Hybrid Retrieval-Augmented Generation for Robust Multilingual Document Question Answering

混合检索增强生成用于鲁棒多语言文档问答

Anthony Mudet, Souhail Bakkali

机构 * Univ Rennes, CNRS, IRISA - UMR 6074（里昂大学、法国国家科学研究中心、IRISA - UMR 6074） ； L3i-lab, La Rochelle Université（L3i实验室、拉罗谢尔大学） 纠错

专题命中 视觉问答 ：grounding(abstract)；分类 cs.CV

AI总结 本文提出混合检索增强生成方法，用于在嘈杂的历史文档中实现鲁棒的多语言问答，通过语义查询扩展、生成提示优化和模块化架构提升检索鲁棒性和问答准确性。

Comments Preprint