会员服务
多模态
HFS: Holistic Query-Aware Frame Selection for Efficient Video Reasoning
Arxiv
0+阅读 · 12月12日
ReGATE: Learning Faster and Better with Fewer Tokens in MLLMs
Arxiv
0+阅读 · 11月28日
GUI-AIMA: Aligning Intrinsic Multimodal Attention with a Context Anchor for GUI Grounding
Arxiv
0+阅读 · 11月10日
GUI-AIMA: Aligning Intrinsic Multimodal Attention with a Context Anchor for GUI Grounding
Arxiv
0+阅读 · 11月2日
MMDocIR: Benchmarking Multimodal Retrieval for Long Documents
Arxiv
0+阅读 · 11月7日
Singing Timbre Popularity Assessment Based on Multimodal Large Foundation Model
Arxiv
0+阅读 · 12月7日
SDS KoPub VDR: A Benchmark Dataset for Visual Document Retrieval in Korean Public Documents
Arxiv
0+阅读 · 11月10日
SDS KoPub VDR: A Benchmark Dataset for Visual Document Retrieval in Korean Public Documents
Arxiv
0+阅读 · 11月7日
LogicOCR: Do Your Large Multimodal Models Excel at Logical Reasoning on Text-Rich Images?
Arxiv
0+阅读 · 11月26日
An Integrative Approach for Subtyping Mental Disorders Using Multimodal Data
Arxiv
0+阅读 · 11月6日
SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language Models
Arxiv
0+阅读 · 11月28日
SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language Models
Arxiv
0+阅读 · 12月4日
Multimodal Deep Learning for Stroke Prediction and Detection using Retinal Imaging and Clinical Data
Arxiv
0+阅读 · 12月16日
RoadBench: A Vision-Language Foundation Model and Benchmark for Road Damage Understanding
Arxiv
0+阅读 · 12月9日
RoadBench: A Vision-Language Foundation Model and Benchmark for Road Damage Understanding
Arxiv
0+阅读 · 11月16日
参考链接
微信扫码咨询专知VIP会员
Top