视觉大模型 / VLM

CAMP-VQA: Caption-Embedded Multimodal Perception for No-Reference Quality Assessment of Compressed Video

Xinyi Wang, Angeliki Katsenou, Junxiao Shen, David Bull

机构 * School of Computer Science, University of Bristol（布里斯托大学计算机科学学院） 纠错

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

Comments 14 pages, 6 figures

Towards Resource-Efficient Multimodal Intelligence: Learned Routing among Specialized Expert Models

Mayank Saini, Arit Kumar Bishwas

机构 * PwC US（普华永道美国） 纠错

专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.LG

Comments 15 pages, 4 figures

PreResQ-R1: Towards Fine-Grained Rank-and-Score Reinforcement Learning for Visual Quality Assessment via Preference-Response Disentangled Policy Optimization

Zehui Feng, Tian Qiu, Tong Wu, Junxuan Li, Huayuan Xu, Ting Han

机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） 纠错

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

Comments 27 pages, 14 figures, under review as a conference paper

RAGalyst: Automated Human-Aligned Agentic Evaluation for Domain-Specific RAG

Joshua Gao, Quoc Huy Pham, Subin Varghese, Silwal Saurav, Vedhus Hoskere

机构 * University of Houston（德克萨斯大学休斯敦分校） 纠错

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

SurgViVQA: Temporally-Grounded Video Question Answering for Surgical Scene Understanding

Mauro Orazio Drago, Luca Carlini, Pelinsu Celebi Balyemez, Dennis Pierantozzi, Chiara Lena, Cesare Hassan, Danail Stoyanov, Elena De Momi, Sophia Bano, Mobarak I. Hoque

机构 * Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB)（电子、信息与生物工程系） ； Politecnico di Milano（米兰理工大学） ； IRCCS Humanitas Research Hospital（IRCCS人类itas研究医院） ； UCL Hawkes Institute and Department of Computer Science（UCL Hawkes研究所和计算机科学系） ； University College London（伦敦大学学院） ； University of Manchester（曼彻斯特大学） 纠错

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

SurgAnt-ViVQA: Learning to Anticipate Surgical Events through GRU-Driven Temporal Cross-Attention

Shreyas C. Dhake, Jiayuan Huang, Runlong He, Danyal Z. Khan, Evangelos B. Mazomenos, Sophia Bano, Hani J. Marcus, Danail Stoyanov, Matthew J. Clarkson, Mobarak I. Hoque

机构 * UCL Hawkes Institute（UCL哈维斯研究所） ； University College London（伦敦大学学院） ； Dept of Medical Physics & Biomedical Engineering（医学物理与生物医学工程系） ； UCL（伦敦大学学院） ； Dept of Computer Science（计算机科学系） ； National Hospital for Neurology and Neurosurgery（神经病学与神经外科国家医院） ； Division of Informatics, Imaging and Data Science（信息学、成像与数据科学 division） 纠错

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

Comments 12 pages

Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference

Cheng Yuan, Zhening Liu, Jiashu Lv, Jiawei Shao, Yufei Jiang, Jun Zhang, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI) of China Telecom（中国电信人工智能研究所） ； School of Electronic and Information Engineering, Harbin Institute of Technology（哈尔滨工业大学电子与信息工程学院） ； Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） 纠错

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

Comments Accepted by IEEE Transactions on Mobile Computing

Visual Program Distillation with Template-Based Augmentation

Michal Shlapentokh-Rothman, Yu-Xiong Wang, Derek Hoiem

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

Comments EMNLP Camera Ready

BiMediX2: Bio-Medical EXpert LMM for Diverse Medical Modalities

Sahal Shaji Mullappilly, Mohammed Irfan Kurpath, Sara Pieri, Saeed Yahya Alseiari, Shanavas Cholakkal, Khaled Aldahmani, Fahad Khan, Rao Anwer, Salman Khan, Timothy Baldwin, Hisham Cholakkal

机构 * Mohamed Bin Zayed University of Artificial Intelligence（Mohamed Bin Zayed大学人工智能学院） ； Linköping University（林肯大学） ； Shaikh Tahnoon bin Mohammed Medical City（Shaikh Tahnoon bin Mohammed医疗城） ； Tawam Hospital（Tawam医院） ； Sheikh Shakhbout Medical City（Sheikh Shakhbout医疗城） ； Govt Medical College Kozhikode（科钦政府医学院） 纠错

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

Comments Accepted to EMNLP 2025 (Findings)

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 14051-14071

Enhancing Temporal Understanding in Video-LLMs through Stacked Temporal Attention in Vision Encoders

Ali Rasekh, Erfan Bagheri Soula, Omid Daliran, Simon Gottschalk, Mohsen Fayyaz

机构 * Leibniz University Hannover（莱比锡大学汉诺威分校） ； L3S Research Center（L3S研究中心） ； Microsoft（微软公司） 纠错

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

Comments Accepted to NeurIPS 2025

The Confidence Paradox: Can LLM Know When It's Wrong

Sahil Tripathi, Md Tabrez Nafis, Imran Hussain, Jiechao Gao

机构 * Jamia Hamdard（贾迈亚哈姆达德大学） ； Center for SDGC, Stanford University（SDGC中心，斯坦福大学） 纠错

专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI

Comments Accepted at the 14th IJCNLP & 4th AACL 2025 (Main)

Windsock is Dancing: Adaptive Multimodal Retrieval-Augmented Generation

Shu Zhao, Tianyi Shen, Nilesh Ahuja, Omesh Tickoo, Vijaykrishnan Narayanan

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Intel（英特尔） 纠错

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

Comments Accepted at NeurIPS 2025 UniReps Workshop

mmWalk: Towards Multi-modal Multi-view Walking Assistance

Kedi Ying, Ruiping Liu, Chongyan Chen, Mingzhe Tao, Hao Shi, Kailun Yang, Jiaming Zhang, Rainer Stiefelhagen

机构 * CV:HCI, KIT（KIT计算机视觉与人机交互中心） ； Hunan University（湖南大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Zhejiang University（浙江大学） 纠错

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

Comments Accepted by NeurIPS 2025 Datasets and Benchmarks Track. Data and Code: https://github.com/KediYing/mmWalk

DanmakuTPPBench: A Multi-modal Benchmark for Temporal Point Process Modeling and Understanding

Yue Jiang, Jichu Li, Yang Liu, Dingkang Yang, Feng Zhou, Quyu Kong

机构 * Fudan University（复旦大学） ； Center for Applied Statistics and School of Statistics, Renmin University of China（应用统计中心和中国人民大学统计学院） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算高级创新中心） 纠错

专题命中 视觉问答 ：visual reasoning(abstract)；分类 cs.LG

Comments Accepted by Neural Information Processing Systems (NeurIPS 2025)

DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search

Kartik Narayan, Yang Xu, Tian Cao, Kavya Nerella, Vishal M. Patel, Navid Shiee, Peter Grasch, Chao Jia, Yinfei Yang, Zhe Gan

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Apple（苹果公司） 纠错

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

Task-Specific Dual-Model Framework for Comprehensive Traffic Safety Video Description and Analysis

Blessing Agyei Kyem, Neema Jakisa Owor, Andrews Danyo, Joshua Kofi Asamoah, Eugene Denteh, Tanner Muturi, Anthony Dontoh, Yaw Adu-Gyamfi, Armstrong Aboah

机构 * North Dakota State University（北达科塔州立大学） ； University of Missouri–Columbia（密苏里大学哥伦比亚分校） ； University of Memphis（孟菲斯大学） 纠错

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

Comments This paper was accepted at ICCV 2025

MotionSight: Boosting Fine-Grained Motion Understanding in Multimodal LLMs

Yipeng Du, Tiehan Fan, Kepan Nan, Rui Xie, Penghao Zhou, Xiang Li, Jian Yang, Zhenheng Yang, Ying Tai

机构 * Nanjing University（南京大学） ； ByteDance（字节跳动） ； Nankai University（南开大学） 纠错

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

Knowledge Graph-Guided Multi-Agent Distillation for Reliable Industrial Question Answering with Datasets

Jiqun Pan, Zhenke Duan, Jiani Tu, Anzhi Cheng, Yanqing Wang

机构 * Zhongnan University of Economics and Law（中南财经政法大学） 纠错

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

Comments 41 pages, 12 figures, 6 tables

Video-in-the-Loop: Span-Grounded Long Video QA with Interleaved Reasoning

Chendong Wang, Donglin Bai, Yifan Yang, Xiao Jin, Anlan Zhang, Rui Wang, Shiqi Jiang, Yuqing Yang, Hao Wu, Qi Dai, Chong Luo, Ting Cao, Lili Qiu, Suman Banerjee

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Microsoft Research（微软研究院） ； Columbia University（哥伦比亚大学） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） 纠错

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

Program Synthesis Benchmark for Visual Programming in XLogoOnline Environment

Chao Wen, Jacqueline Staub, Adish Singla

专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI

Comments ACL'25 paper

Exploring OCR-augmented Generation for Bilingual VQA

JoonHo Lee, Sunho Park

机构 * KL-Net, South Korea（韩国KL-Net） 纠错

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

Beyond Isolated Facts: Synthesizing Narrative and Grounded Supervision for VideoQA

Jianxin Liang, Tan Yue, Yuxuan Wang, Yueqian Wang, Zhihan Yin, Huishuai Zhang, Dongyan Zhao

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） 纠错

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

FindingDory: A Benchmark to Evaluate Memory in Embodied Agents

Karmesh Yadav, Yusuf Ali, Gunshi Gupta, Yarin Gal, Zsolt Kira

机构 * Georgia Tech（佐治亚理工学院） ； University of Oxford（牛津大学） 纠错

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

Comments Our dataset and code can be found at: https://findingdory-benchmark.github.io/

ArchGPT: Understanding the World's Architectures with Large Multimodal Models

Yuze Wang, Luo Yang, Junyi Wang, Yue Qi

机构 * State Key Laboratory of Virtual Reality Technology and Systems（虚拟现实技术与系统国家重点实验室） ； School of Computer Science and Engineering（计算机科学与工程学院） ； Beihang University（北京航空航天大学） ； School of Computer Science and Technology（计算机科学与技术学院） ； Shandong University（山东大学） 纠错

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

Long Video Understanding with Learnable Retrieval in Video-Language Models

Jiaqi Xu, Cuiling Lan, Wenxuan Xie, Xuejin Chen, Yan Lu

机构 * School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 视觉问答 ：VLM(abstract)；分类 cs.CV

Comments Accepted by IEEE Transactions on Multimedia (TMM)

Graph-Enhanced Retrieval-Augmented Question Answering for E-Commerce Customer Support

Piyushkumar Patel

机构 * Microsoft（微软） 纠错

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

Cinéaste: A Fine-grained Contextual Movie Question Answering Benchmark

Nisarg A. Shah, Amir Ziai, Chaitanya Ekanadham, Vishal M. Patel

机构 * Netflix, Inc.（Netflix公司） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

Comments 11 pages, 5 figures, 5 tables

MVQA-68K: A Multi-dimensional and Causally-annotated Dataset with Quality Interpretability for Video Assessment

Yanyun Pu, Kehan Li, Zeyi Huang, Zhijie Zhong, Kaixiang Yang

机构 * Huawei Technologies Co.（华为技术有限公司） ； South China University of Technology（南方科技大学） 纠错

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

LATTE: Learning to Think with Vision Specialists

Zixian Ma, Jianguo Zhang, Zhiwei Liu, Jieyu Zhang, Juntao Tan, Manli Shu, Juan Carlos Niebles, Shelby Heinecke, Huan Wang, Caiming Xiong, Ranjay Krishna, Silvio Savarese

机构 * University of Washington（华盛顿大学） ； Salesforce Research（Salesforce研究） 纠错

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

Journal ref EMNLP 2025

Aligning LLMs for the Classroom with Knowledge-Based Retrieval -- A Comparative RAG Study

Amay Jain, Liu Cui, Si Chen

机构 * Student（学生） ； Downingtown STEM Academy ； Department of Computer Science（计算机科学系） ； West Chester University of Pennsylvania（宾夕法尼亚州韦斯特切斯特大学） 纠错

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

Comments This work has been submitted to the IEEE for possible publication