视觉大模型 / VLM

Visual Chronicles: Using Multimodal LLMs to Analyze Massive Collections of Images

Boyang Deng, Songyou Peng, Kyle Genova, Gordon Wetzstein, Noah Snavely, Leonidas Guibas, Thomas Funkhouser

机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 其他VLM ：MLLM(abstract)；分类 cs.CV、cs.AI

Comments ICCV 2025, Project page: https://boyangdeng.com/visual-chronicles , second and third listed authors have equal contributions

When Color-Space Decoupling Meets Diffusion for Adverse-Weather Image Restoration

Wenxuan Fang, Jili Fan, Chao Wang, Xiantao Hu, Jiangwei Weng, Ying Tai, Jian Yang, Jun Li

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学） ； School of Electrical Engineering, Southeast University（电气工程学院，东南大学） ； School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

LLMs Can Compensate for Deficiencies in Visual Representations

Sho Takishita, Jay Gala, Abdelrahman Mohamed, Kentaro Inui, Yova Kementchedjhieva

机构 * Fujitsu Limited（富士通有限公司） ； MBZUAI ； Tohoku University（东北大学） ； RIKEN（日本研究机构） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments EMNLP 2025 Findings

Maestro: Self-Improving Text-to-Image Generation via Agent Orchestration

Xingchen Wan, Han Zhou, Ruoxi Sun, Hootan Nakhost, Ke Jiang, Rajarishi Sinha, Sercan Ö. Arık

机构 * Google（谷歌） 纠错

专题命中 其他VLM ：MLLM(abstract)；分类 cs.CV、cs.AI

Comments 15 pages, 7 figures, 2 tables (22 pages, 9 figures and 3 tables including references and appendices)

When and How Does CLIP Enable Domain and Compositional Generalization?

Elias Kempf, Simon Schrodi, Max Argus, Thomas Brox

机构 * University of Freiburg（弗赖堡大学） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.LG

Comments ICML 2025 (Spotlight)

Can Multimodal LLMs See Materials Clearly? A Multimodal Benchmark on Materials Characterization

Zhengzhao Lai, Youbin Zheng, Zhenyang Cai, Haonan Lyu, Jinpu Yang, Hongqing Liang, Yan Hu, Benyou Wang

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Early Exit and Multi Stage Knowledge Distillation in VLMs for Video Summarization

Anas Anwarul Haq Khan, Utkarsh Verma, Ganesh Ramakrishnan

机构 * Department of Computer Science and Engineering, IIT Bombay（印度理工学院班加罗尔计算机科学与工程系） ； Center of Machine Intelligence and Data Science (C-MInDS), IIT Bombay（印度理工学院班加罗尔人工智能与数据科学中心） 纠错

专题命中 其他VLM ：vision language model(abstract)；分类 cs.CV、cs.AI

CountQA: How Well Do MLLMs Count in the Wild?

Jayant Sravan Tamarapalli, Rynaa Grover, Nilay Pande, Sahiti Yerramilli

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Towards Meta-Cognitive Knowledge Editing for Multimodal LLMs

Zhaoyu Fan, Kaihang Pan, Mingze Zhou, Bosheng Qin, Juncheng Li, Shengyu Zhang, Wenqiao Zhang, Siliang Tang, Fei Wu, Yueting Zhuang

机构 * Zhejiang University（浙江大学） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Comments 15 pages, 6 figures

MCANet: A Multi-Scale Class-Specific Attention Network for Multi-Label Post-Hurricane Damage Assessment using UAV Imagery

Zhangding Liu, Neda Mohammadi, John E. Taylor

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Comments 34 pages, 7 figures

AudioCodecBench: A Comprehensive Benchmark for Audio Codec Evaluation

Lu Wang, Hao Chen, Siyu Wu, Zhiyue Wu, Hao Zhou, Chengfeng Zhang, Ting Wang, Haodi Zhang

机构 * Lu Wang（卢王） ； Hao Chen（何晨） ； Siyu Wu（武士） ； Zhiyue Wu（吴致岳） ； Hao Zhou（周浩） ； Chengfeng Zhang（张成峰） ； Ting Wang（王婷） ； Haodi Zhang（张浩迪） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.AI、cs.LG

Defending LVLMs Against Vision Attacks through Partial-Perception Supervision

Qi Zhou, Tianlin Li, Qing Guo, Dongxia Wang, Yun Lin, Yang Liu, Jin Song Dong

机构 * College of Control Science and Engineering, Zhejiang University, China（控制科学与工程学院，浙江大学，中国） ； Huzhou Institute of Industrial Control Technology, China（湖州工业控制技术研究所，中国） ； School of Computer Science and Engineering, Nanyang Technological University, Singapore（计算机科学与工程学院，南洋理工大学，新加坡） ； School of Computer Science, Shanghai Jiao Tong University, China（计算机科学学院，上海交通大学，中国） ； School of Computing, National University of Singapore, Singapore（计算学院，新加坡国立大学，新加坡） ； Research, Singapore（研究，新加坡） 纠错

专题命中 其他VLM ：vision language model(abstract)；分类 cs.CV、cs.AI

Comments Accepted to ICML 2025

ChordPrompt: Orchestrating Cross-Modal Prompt Synergy for Multi-Domain Incremental Learning in CLIP

Zhiyuan Wang, Bokui Chen

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院，清华大学，中国） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.AI、cs.LG

Comments Accepted by the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD 2025)

UAD: Unsupervised Affordance Distillation for Generalization in Robotic Manipulation

Yihe Tang, Wenlong Huang, Yingke Wang, Chengshu Li, Roy Yuan, Ruohan Zhang, Jiajun Wu, Li Fei-Fei

机构 * Stanford University（斯坦福大学） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

DesignCLIP: Multimodal Learning with CLIP for Design Patent Understanding

Zhu Wang, Homaira Huda Shomee, Sathya N. Ravi, Sourav Medya

机构 * Department of Computer Science, University of Illinois Chicago（计算机科学系，伊利诺伊大学芝加哥分校） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments Accepted by EMNLP 2025. 22 pages, 14 figures

CCL-LGS: Contrastive Codebook Learning for 3D Language Gaussian Splatting

Lei Tian, Xiaomin Li, Liqian Ma, Hao Yin, Zirui Zheng, Hefei Huang, Taiqing Li, Huchuan Lu, Xu Jia

机构 * Dalian University of Technology（大连理工大学） ； ZMO AI Inc.（ZMO人工智能公司） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments ICCV 2025

January Food Benchmark (JFB): A Public Benchmark Dataset and Evaluation Suite for Multimodal Food Analysis

Amir Hosseinian, Ashkan Dehghani Zahedani, Umer Mansoor, Noosheen Hashemi, Mark Woodward

机构 * January AI 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

Sparsity Outperforms Low-Rank Projections in Few-Shot Adaptation

Nairouz Mrabah, Nicolas Richet, Ismail Ben Ayed, Éric Granger

机构 * LIVIA ； ILLS ； Department of Systems Engineering, ÉTS Montreal（系统工程系，蒙特利尔ÉTS） ； ÉTS Montreal（蒙特利尔ÉTS） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments ICCV2025

LVBench: An Extreme Long Video Understanding Benchmark

Weihan Wang, Zehai He, Wenyi Hong, Yean Cheng, Xiaohan Zhang, Ji Qi, Xiaotao Gu, Shiyu Huang, Bin Xu, Yuxiao Dong, Ming Ding, Jie Tang

机构 * Zhipu AI（智谱AI） ； Tsinghua University（清华大学） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Can Large Models Fool the Eye? A New Turing Test for Biological Animation

Zijian Chen, Lirong Deng, Zhengyu Chen, Kaiwei Zhang, Qi Jia, Yuan Tian, Yucheng Zhu, Guangtao Zhai

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Comments 24 pages, 10 figures

Video Is Worth a Thousand Images: Exploring the Latest Trends in Long Video Generation

Faraz Waseem, Muhammad Shahzad

机构 * University Of Reading（阅读大学） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Comments 35 pages, 18 figures, Manuscript submitted to ACM

UrbanSense:A Framework for Quantitative Analysis of Urban Streetscapes leveraging Vision Large Language Models

Jun Yin, Jing Zhong, Peilin Li, Ruolin Pan, Pengyu Zeng, Miao Zhang, Shuai Lu

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

ArchiLense: A Framework for Quantitative Analysis of Architectural Styles Based on Vision Large Language Models

Jing Zhong, Jun Yin, Peilin Li, Pengyu Zeng, Miao Zang, Ran Luo, Shuai Lu

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

iLearnRobot: An Interactive Learning-Based Multi-Modal Robot with Continuous Improvement

Kohou Wang, ZhaoXiang Liu, Lin Bai, Kun Fan, Xiang Liu, Huan Hu, Kai Wang, Shiguo Lian

机构 * Unicom Data Intelligence（中国联通数据智能研究所） ； Data Science & Artificial Intelligence Research Institute（数据科学与人工智能研究院） ； China United Network Communications Group Corporation Limited（中国联合网络通信集团有限公司） 纠错

专题命中 其他VLM ：MLLM(abstract)；分类 cs.CV、cs.AI

Comments 17 pages, 12 figures

Enhancing Multimodal In-Context Learning for Image Classification through Coreset Optimization

Huiyi Chen, Jiawei Peng, Kaihua Tang, Xin Geng, Xu Yang

机构 * Southeast University（东南大学） ； Huawei Singapore Research Center（华为新加坡研究中心） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments 11 pages, 5 figures

CXR-CML: Improved zero-shot classification of long-tailed multi-label diseases in Chest X-Rays

Rajesh Madhipati, Sheethal Bhat, Lukas Buess, Andreas Maier

机构 * Friedrich-Alexander University Erlangen-Nuremberg（弗里德里希-亚历山大大学埃尔朗根-纽伦堡） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.AI

MGHFT: Multi-Granularity Hierarchical Fusion Transformer for Cross-Modal Sticker Emotion Recognition

Jian Chen, Yuxuan Hu, Haifeng Lu, Wei Wang, Min Yang, Chengming Li, Xiping Hu

机构 * Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Comments Accepted by ACMMM2025

External Knowledge Injection for CLIP-Based Class-Incremental Learning

Da-Wei Zhou, Kai-Wen Li, Jingyi Ning, Han-Jia Ye, Lijun Zhang, De-Chuan Zhan

机构 * School of Artificial Intelligence, Nanjing University（人工智能学院，南京大学） ； National Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家实验室，南京大学） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.LG

Comments Accepted to ICCV 2025. Code is available at: https://github.com/LAMDA-CL/ICCV25-ENGINE

Diffusion Augmented Retrieval: A Training-Free Approach to Interactive Text-to-Image Retrieval

Zijun Long, Kangheng Liang, Gerardo Aragon-Camarasa, Richard Mccreadie, Paul Henderson

机构 * Hunan University（湖南大学） ； University of Glasgow（格拉斯哥大学） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV、cs.AI

Explainable Artificial Intelligence in Biomedical Image Analysis: A Comprehensive Survey

Getamesay Haile Dagnaw, Yanming Zhu, Muhammad Hassan Maqsood, Wencheng Yang, Xingshuai Dong, Xuefei Yin, Alan Wee-Chung Liew

机构 * Griffith University（格里菲斯大学） ； University of Southern Queensland（南部昆士兰大学） 纠错

专题命中 其他VLM ：vision-language model(abstract)；分类 cs.CV、cs.LG