TimeSoccer: An End-to-End Multimodal Large Language Model for Soccer Commentary Generation
机构 * East China Normal University（东华大学）
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；grounding(abstract)；MLLM(abstract)；分类 cs.CV
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉定位与Grounding 7409 篇
AnomalyR1: A GRPO-based End-to-end MLLM for Industrial Anomaly Detection
专题命中 视觉定位与Grounding ：MLLM(title,abstract)；VLM(abstract)；multimodal large language model(abstract)；分类 cs.CV
TWIST & SCOUT: Grounding Multimodal LLM-Experts by Forget-Free Tuning
专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV
From Goal-Conditioned to Language-Conditioned Agents via Vision-Language Models
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract)；grounding(abstract)；分类 cs.AI
ActPrompt: In-Domain Feature Adaptation via Action Cues for Video Temporal Grounding
专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV
Comments 9 pages, 5 figures
BlenderAlchemy: Editing 3D Graphics with Vision-Language Models
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；visual reasoning(abstract)；grounding(abstract)；分类 cs.CV
MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；vision language model(abstract)；VLM(abstract)；分类 cs.CV
Comments Codes are available at https://github.com/wkfdb/MarvelOVD
LVLM-Interpret: An Interpretability Tool for Large Vision-Language Models
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；LLaVA(abstract)；grounding(abstract)；分类 cs.CV
Using Multimodal Large Language Models for Automated Detection of Traffic Safety Critical Events
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；LLaVA(abstract)；MLLM(abstract)；分类 cs.CV
Strengthening Multimodal Large Language Model with Bootstrapped Preference Optimization
专题命中 视觉定位与Grounding ：multimodal large language model(title,abstract)；grounding(abstract)；MLLM(abstract)；分类 cs.CV
Distilling Internet-Scale Vision-Language Models into Embodied Agents
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract)；grounding(abstract)；分类 cs.AI
Comments 9 pages, 7 figures. Presented at ICML 2023
Medical Image Understanding with Pretrained Vision Language Models: A Comprehensive Study
专题命中 视觉定位与Grounding ：vision language model(title,abstract)；VLM(abstract)；grounding(abstract)；分类 cs.CV
Comments Accepted to ICLR2023
Unified Supervision For Vision-Language Modeling in 3D Computed Tomography
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,comments)；分类 cs.CV、cs.AI、cs.LG
Comments ICCV 2025 VLM 3d Workshop
Generalized Out-of-Distribution Detection and Beyond in Vision Language Model Era: A Survey
机构 * The University of Tokyo（东京大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Duke University（杜克大学） ； Salesforce AI Research（Salesforce人工智能研究） ； Nanyang Technological University（南洋理工大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Tokyo University of Science（东京科学大学）
专题命中 视觉定位与Grounding ：vision language model(title,abstract)；VLM(abstract,comments)；分类 cs.CV、cs.AI、cs.LG
Comments Accepted at TMLR2025. Survey paper. We welcome questions, issues, and paper requests via https://github.com/AtsuMiyai/Awesome-OOD-VLM
AdaNeg: Adaptive Negative Proxy Guided OOD Detection with Vision-Language Models
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,comments)；分类 cs.CV、cs.AI、cs.LG
Comments NIPS 2024 Camera Ready, Codes are available at \url{https://github.com/YBZh/OpenOOD-VLM}
MedPlex: Deep Vision-Language Co-Adaptation for Clinically Grounded Medical Segmentation
MedPlex：用于临床基础医学分割的深度视觉-语言协同适配
机构 * Wayne State University（韦恩州立大学） ； Henry Ford Health（亨利福特医疗集团） ； Institute for AI and Data Science Wayne State University（韦恩州立大学人工智能与数据科学研究院）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 MedPlex是一种端到端VLM框架，通过双向融合和两级概念对齐，实现医学图像分割的视觉-语言协同适配，在CT、MR的多类医学分割任务中达到最优性能。
Comments Accepted By BMVC-2026
Open-Vocabulary BEV Segmentation with 3D-Aware Geometric Constraints
开放词汇BEV分割：基于3D感知几何约束的方法
机构 * KAIST AI（韩国科学技术院人工智能） ； NAVER LABS（NAVER实验室）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.LG
AI总结 针对开放词汇BEV分割中2D VLM语义到BEV的3D几何不一致问题，提出OVBEVSeg框架，通过三阶段几何约束（伪标签、场景优化、知识蒸馏）实现高效在线推理，在nuScenes上未见类别mIoU超越闭集方法15.3，推理速度提升2.5倍。
Comments This paper has been accepted to ECCV 2026
Autonomous VR-Based Risk Detection for Situational Awareness in Dangerous Settings
基于自主虚拟现实的危险环境态势感知风险检测
机构 * Interactive Robotics and Language Lab, University of Maryland Baltimore County（马里兰大学巴尔的摩县分校交互式机器人与语言实验室） ； DEVCOM Army Research Laboratory（陆军研究实验室）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究在高风险环境中，提出基于VR的人机交互框架，利用VLM辅助机器人识别潜在危险并标注兴趣点，通过VR界面呈现给操作员，经实验验证该方法能有效支持态势感知，提升交互体验。
Comments 7 Pages, Accepted to RO-MAN 2026
Symbal: Detecting Systematic Misalignments in Model-Generated Captions
Symbal：检测模型生成字幕中的系统性对齐错误
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究多模态大语言模型生成图像字幕时的系统性对齐错误检测问题，提出利用现成基础模型的结构化双阶段设置的Symbal方法，引入SymbalBench基准，Symbal在基准上表现出色，可辅助审核MLLM生成的字幕。
Comments ICML 2026
Analysis-by-Proxy: Localization Signals in VLMs Operating as Condition Encoders
代理分析：作为条件编码器的视觉语言模型中的定位信号
机构 * Tel Aviv University, Tel Aviv, Israel（特拉维夫大学） ； Google DeepMind（谷歌DeepMind）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究视觉语言模型（VLMs）作条件编码器时编辑管道定位性能差的问题，引入代理分析框架，通过训练代理模型分析VLM中间表示来揭示编码定位信息的表示，发现现有条件提取策略缺陷，为条件架构设计提供新思路。
Comments Accepted as a Spotlight at the ICML 2026 Mechanistic Interpretability Workshop
Ophiuchus: Incentivizing Tool-augmented "Think with Images" for Joint Medical Segmentation, Understanding and Reasoning
Ophiuchus: 激励工具增强的“图像思考”用于联合医学分割、理解与推理
机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Information Hub, HKUST (Guangzhou)（信息枢纽，香港科技大学（广州））
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Ophiuchus框架，通过三阶段训练策略（冷启动SFT、自反思微调、工具强化学习）使MLLM动态聚焦细粒度视觉区域，实现精准医学分割与诊断。
Bounding Boxes as Goals: Language-Conditioned Grasping via Neuro-Symbolic Planning
边界框作为目标：通过神经符号规划实现语言条件抓取
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出GRASP框架，利用预训练VLM将自然语言查询转化为神经符号目标状态，通过边界框检测实现零样本桌面操作，无需任务特定训练。
Comments Project website: https://allisonandreyev.github.io/grasp.github.io/
Sci-Rho: A Multilingual Visually-Grounded Symbolic Benchmark for STEM Problems
Sci-Rho：面向STEM问题的多语言视觉基础符号基准
机构 * Independent Researcher（独立研究员） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Binus University（比努斯大学） ； Bandung Institute of Technology（万隆理工学院）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Sci-Rho，一个多语言、视觉基础的STEM问题动态基准，包含4242个模板和42420个实例，评估17个VLM发现最差精度与平均精度存在差距，且小模型跨语言性能下降。
Comments 22 pages
Can You Trust What You See? Human and AI Detection of Synthetic Legal Evidence
你能相信你所见的吗？人类与AI对合成法律证据的检测
机构 * Faculty of Law, McGill University（麦吉尔大学法学院）
专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 研究人类和前沿多模态大模型在民事纠纷场景中区分真实照片与AI生成图像的能力，发现两者均不可靠，提出结合人工审查、MLLM筛查和来源认证的解决方案。
An Open-Source Benchmark and Baseline for Multi-temporal Referring Segmentation
多时相指代分割的开源基准与基线
机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence (TeleAI)（人工智能研究所） ； China Telecom（中国电信） ； School of Artificial Intelligence, Optics and Electronics (iOPEN)（人工智能、光学与电子学院） ； Northwestern Polytechnical University（西北工业大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)
AI总结 提出多时相指代分割任务，通过自动化数据构建管道CRAFT-Agent生成首个基准MTRefSeg-21K，并设计两阶段训练的变化感知LVLM框架MTRefSeg-R1，实现优于现有基线的性能。
GRASP: Learning to Ground Social Reasoning in Multi-Person Non-Verbal Interactions
GRASP：学习多个人非语言互动中的社会推理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Amazon AGI Korea University（亚马逊AGI韩国大学）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 GRASP通过连接高层社会问答与细粒度目光和指代手势事件，提升多个人非语言互动的社会推理能力，包含290万对问题-答案对，提出Social Grounding Reward提升模型性能。
Comments Project page: https://social-reaoning.github.io/grasp/
Allegory of the Cave: Measurement-Grounded Vision-Language Learning
洞穴的寓言：基于测量的视觉-语言学习
机构 * Xidian University（西电大学） ； Southwest University of Science and Technology（西南科技大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文研究了视觉-语言模型在更接近底层相机测量的视觉接口下，基于测量的视觉-语言学习是否能提升性能。PRISM-VL模型结合RAW数据、相机条件接地和曝光括号监督聚合，通过高质量数据集和基准测试，提升了BLEU、ROUGE-L和LLM-Judge的准确率。
Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank
增长市场中的定位增强：减轻跨本地化行为偏差在学习到排序中的影响
机构 * Adobe
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出一种多目标框架，结合行为监督、VLM相关性信号和本地化增强，以改善学习到排序中的本地内容可见性。
Rethinking Patient Education as Multi-turn Multi-modal Interaction
重新思考患者教育作为多轮多模态交互
机构 * VA Bedford Health Care（VA贝德福德医疗中心） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； UMass Lowell（马萨诸塞大学洛厄尔分校） ； Yale University（耶鲁大学） ； National University of Singapore（新加坡国立大学） ； Yale School of Medicine（耶鲁医学院）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MedImageEdu基准，通过多轮多模态交互提升患者教育效果，评估咨询过程和最终响应质量，发现多模态模型在视觉 grounding、安全性和情绪互动方面存在不足。
Comments Equal contribution for the first two authors
CLBench-V: Evaluating Multimodal Context Learning from Grounding to Knowledge Acquisition
CLBench-V：评估从基础到知识获取的多模态上下文学习
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院） ； Zhongguancun Academy（中关村科学城创新中心） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究多模态上下文学习问题，引入CLBench-V基准，围绕上下文基础、新信息应用和新知识学习三个维度组织任务，结合公共基准与新数据集，经自动化程序构建，测试六个模型，分析相关因素，揭示多模态上下文学习远未饱和及各模型表现情况。
