视觉大模型 / VLM

A-SEA3L-QA: A Fully Automated Self-Evolving, Adversarial Workflow for Arabic Long-Context Question-Answer Generation

Kesen Wang, Daulet Toibazar, Pedro J. Moreno

机构 * Humain 纠错

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

NLKI: A lightweight Natural Language Knowledge Integration Framework for Improving Small VLMs in Commonsense VQA Tasks

Aritra Dutta, Swapnanil Mukherjee, Deepanway Ghosal, Somak Aditya

机构 * IIT Kharagpur（印度理工学院Kharagpur分校） ； Ashoka University（阿什oka大学） 纠错

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

CEQuest: Benchmarking Large Language Models for Construction Estimation

Yanzhao Wu, Lufan Wang, Rui Liu

机构 * Florida International University（佛罗里达国际大学） ； University of Florida（佛罗里达大学） 纠错

专题命中 视觉问答 ：LLaVA(abstract)；分类 cs.LG

Stable Diffusion-Based Approach for Human De-Occlusion

Seung Young Noh, Ju Yong Chang

机构 * Kwangwoon University（韩国成均馆大学） 纠错

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

Comments MM 2025

VELVET-Med: Vision and Efficient Language Pre-training for Volumetric Imaging Tasks in Medicine

Ziyang Zhang, Yang Yu, Xulei Yang, Si Yong Yeo

机构 * MedVisAI Lab Department of ECE Northwestern University（MedVisAI实验室 电子工程系 西北大学） ； Institute for Infocomm Research (I 2 R) A*STAR, Singapore（信息与通信研究所（I 2 R）A*STAR，新加坡） ； MedVisAI Lab Lee Kong Chian School of Medicine, Nanyang Technological University（MedVisAI实验室 李科田医学院，南洋理工大学） 纠错

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

Learn 3D VQA Better with Active Selection and Reannotation

Shengli Zhou, Yang Liu, Feng Zheng

机构 * Southern University of Science and Technology（南方科技大学） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王瑄计算机技术研究所） 纠错

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

Comments 13 pages, 16 figures, accepted by ACM MM 2025

Adaptively Clustering Neighbor Elements for Image-Text Generation

Zihua Wang, Xu Yang, Hanwang Zhang, Haiyang Xu, Ming Yan, Fei Huang, Yu Zhang

机构 * School of Computer Science and Engineering, Nanyang Technological University（计算机科学与工程学院，南洋理工大学） ； DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） 纠错

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

Comments This work has been accepted by IEEE Transactions on Multimedia

Visual-RAG: Benchmarking Text-to-Image Retrieval Augmented Generation for Visual Knowledge Intensive Queries

Yin Wu, Quanyu Long, Jing Li, Jianfei Yu, Wenya Wang

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

Comments 21 pages, 6 figures, 17 tables

Capabilities of GPT-5 on Multimodal Medical Reasoning

Shansong Wang, Mingzhe Hu, Qiang Li, Mojtaba Safari, Xiaofeng Yang

机构 * Department of Radiation Oncology, Winship Cancer Institute, Emory University School of Medicine（放射肿瘤科、Winship癌症研究所、埃默里大学医学院） 纠错

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

Comments Corrected some typos

DreamFrame: Enhancing Video Understanding via Automatically Generated QA and Style-Consistent Keyframes

Zhende Song, Chenchen Wang, Jiamu Sheng, Chi Zhang, Shengji Tang, Jiayuan Fan, Tao Chen

机构 * Fudan University（复旦大学） ； Westlake University, Tencent PCG（西湖大学、腾讯PCG） 纠错

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

Comments Accepted by ACMM'MM 2025

VISTAR:A User-Centric and Role-Driven Benchmark for Text-to-Image Evaluation

Kaiyuan Jiang, Ruoxi Sun, Ying Cao, Yuqi Xu, Xinran Zhang, Junyan Guo, ChengSheng Deng

机构 * Peking University（北京大学） ； LinkSure ； University of Glasgow（格拉斯哥大学） ； Boston University（波士顿大学） 纠错

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

Comments 17 pages,8 figures

SAR Strikes Back: A New Hope for RSVQA

Lucrezia Tosato, Flora Weissgerber, Laurent Wendling, Sylvain Lobry

机构 * LIPADE, Université Paris Cité（巴黎Cité大学LIPADE研究所） ； GENCI-IDRIS ； French Aerospace Lab, ONERA（法国航空航天实验室ONERA） 纠错

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

Comments Accepted at IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 13 pages, 6 figures

Journal ref 10.1109/JSTARS.2025.3596678

VQA support to Arabic Language Learning Educational Tool

Khaled Bachir Delassi, Lakhdar Zeggane, Hadda Cherroun, Abdelhamid Haouhat, Kaoutar Bouzouad

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

LMME3DHF: Benchmarking and Evaluating Multimodal 3D Human Face Generation with LMMs

Woo Yi Yang, Jiarui Wang, Sijing Wu, Huiyu Duan, Yuxin Zhu, Liu Yang, Kang Fu, Guangtao Zhai, Xiongkuo Min

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

S-RRG-Bench: Structured Radiology Report Generation with Fine-Grained Evaluation Framework

Yingshu Li, Yunyi Liu, Zhanyu Wang, Xinyu Liang, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * University of Sydney（悉尼大学） ； University of Wollongong（沃林戈大学） ； University of Adelaide（阿德莱德大学） ； First Clinical Medical College, Guangzhou University of Chinese Medicine（广州中医药大学第一临床学院） 纠错

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

A Graph-based Approach for Multi-Modal Question Answering from Flowcharts in Telecom Documents

Sumit Soman, H. G. Ranjani, Sujoy Roychowdhury, Venkata Dharma Surya Narayana Sastry, Akshat Jain, Pranav Gangrade, Ayaaz Khan

机构 * Ericsson R&D Bangalore Karnataka India（爱立信研发部班加罗尔卡纳塔克邦印度） 纠错

专题命中 视觉问答 ：VLM(abstract)；分类 cs.AI

Comments Accepted for publication at the KDD 2025 Workshop on Structured Knowledge for Large Language Models

Acknowledging Focus Ambiguity in Visual Questions

Chongyan Chen, Yu-Yun Tseng, Zhuoheng Li, Anush Venkatesh, Danna Gurari

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

Querying GI Endoscopy Images: A VQA Approach

Gaurav Parajuli

机构 * Johannes Kepler University Linz（约翰·凯撒大学林茨） 纠错

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

ARC-Hunyuan-Video-7B: Structured Video Comprehension of Real-World Shorts

Yuying Ge, Yixiao Ge, Chen Li, Teng Wang, Junfu Pu, Yizhuo Li, Lu Qiu, Jin Ma, Lisheng Duan, Xinyu Zuo, Jinwen Luo, Weibo Gu, Zexuan Li, Xiaojing Zhang, Yangyu Tao, Han Hu, Di Wang, Ying Shan

机构 * ARC Lab, Tencent PCG（腾讯PCG ARC实验室） ； Search Application Department, Tencent CSIG（腾讯CSIG搜索应用部门） ； Tencent Hunyuan（腾讯文生视频） ； Big Data Platform Department, Tencent PCG（腾讯PCG大数据平台部门） 纠错

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

Comments Project Page: https://tencentarc.github.io/posts/arc-video-announcement/

Causality-aligned Prompt Learning via Diffusion-based Counterfactual Generation

Xinshu Li, Ruoyu Wang, Erdun Gao, Mingming Gong, Lina Yao

机构 * The University of New South Wales（新南威尔士大学） ； The University of Adelaide（阿德莱德大学） ； The University of Melbourne（墨尔本大学） ； CSIRO’s Data 61（CSIRO数据61） 纠错

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

A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions

Agada Joseph Oche, Ademola Glory Folashade, Tirthankar Ghosal, Arpan Biswas

机构 * Bredesen Center for Interdisciplinary Research, University of Tennessee, Knoxville, USA（跨学科研究中心，田纳西大学，肯塔基州 Knoxville） ； National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, USA（计算科学国家中心，橡树岭国家实验室，橡树岭） ； University of Tennessee-Oak Ridge Innovation Institute, University of Tennessee, Knoxville, USA（田纳西大学橡树岭创新研究所，田纳西大学，肯塔基州 Knoxville） 纠错

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

Comments 33 pages, 2 figures

Long-Form Answers to Visual Questions from Blind and Low Vision People

Mina Huh, Fangyuan Xu, Yi-Hao Peng, Chongyan Chen, Hansika Murugu, Danna Gurari, Eunsol Choi, Amy Pavel

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

Comments COLM 2024 Oral Spotlight

PDB-Eval: An Evaluation of Large Multimodal Models for Description and Explanation of Personalized Driving Behavior

Junda Wu, Jessica Echterhoff, Kyungtae Han, Amr Abdelraouf, Rohit Gupta, Julian McAuley

机构 * Computer Science and Engineering University of California San Diego（计算机科学与工程大学加州大学圣地亚哥分校） ； InfoTech Labs Toyota Motor North America（信息科技实验室丰田北美） 纠错

专题命中 视觉问答 ：MLLM(abstract)；分类 cs.CV

VisionTrap: Unanswerable Questions On Visual Data

Asir Saadat, Syem Aziz, Shahriar Mahmud, Abdullah Ibne Masud Mahi, Sabbir Ahmed

机构 * Rochester Institute of Technology（罗切斯特技术学院） ； Islamic University of Technology（伊斯兰技术大学） ； United International University（联合国际大学） 纠错

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

VRU-Accident: A Vision-Language Benchmark for Video Question Answering and Dense Captioning for Accident Scene Understanding

Younggun Kim, Ahmed S. Abdelrahman, Mohamed Abdel-Aty

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

Comments 22 pages, 11 figures, 5 tables

Artifacts and Attention Sinks: Structured Approximations for Efficient Vision Transformers

Andrew Lu, Wentinn Liao, Liuhui Wang, Huzheng Yang, Jianbo Shi

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

HW-MLVQA: Elucidating Multilingual Handwritten Document Understanding with a Comprehensive VQA Benchmark

Aniket Pal, Ajoy Mondal, Minesh Mathew, C. V. Jawahar

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

Comments This is a minor revision of the original paper submitted to IJDAR

ViT-Split: Unleashing the Power of Vision Foundation Models via Efficient Splitting Heads

Yifan Li, Xin Li, Tianqin Li, Wenbin He, Yu Kong, Liu Ren

机构 * Michigan State University（密歇根州立大学） ； Bosch Research North America & Bosch Center for Artificial Intelligence (BCAI)（博世美国研究部及博世人工智能中心（BCAI）） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

Comments The project is available: https://jackyfl.github.io/vitsplit.github.io/

LLM-based Question-Answer Framework for Sensor-driven HVAC System Interaction

Sungmin Lee, Minju Kang, Joonhee Lee, Seungyong Lee, Dongju Kim, Jingi Hong, Jun Shin, Pei Zhang, JeongGil Ko

机构 * School of Integrated Technology, Yonsei University（延世大学集成技术学院） ； LG Electronics（LG电子） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； Graduate School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院） 纠错

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

VLM2Vec-V2: Advancing Multimodal Embedding for Videos, Images, and Visual Documents

Rui Meng, Ziyan Jiang, Ye Liu, Mingyi Su, Xinyi Yang, Yuepeng Fu, Can Qin, Zeyuan Chen, Ran Xu, Caiming Xiong, Yingbo Zhou, Wenhu Chen, Semih Yavuz

机构 * Salesforce Research（Salesforce研究机构） ； UC Santa Barbara（加州大学圣巴巴拉分校） ； University of Waterloo（滑铁卢大学） ； Tsinghua University（清华大学） 纠错

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

Comments Technical Report