Buchumschlag

Multi-modal In-Context Learning Makes an Ego-evolving Scene Text Recognizer

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Zhen, Tang, Jingqun, Lin, Chunhui, Wu, Binghong, Huang, Can, Liu, Hao, Tan, Xin, Zhang, Zhizhong, Xie, Yuan
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Harmonizing Visual Text Comprehension and Generation
von: Zhao, Zhen, et al.
Veröffentlicht: (2024)

TextSquare: Scaling up Text-Centric Visual Instruction Tuning
von: Tang, Jingqun, et al.
Veröffentlicht: (2024)

Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting
von: Feng, Hao, et al.
Veröffentlicht: (2025)

A Bounding Box is Worth One Token: Interleaving Layout and Text in a Large Language Model for Document Understanding
von: Lu, Jinghui, et al.
Veröffentlicht: (2024)

MCTBench: Multimodal Cognition towards Text-Rich Visual Scenes Benchmark
von: Shan, Bin, et al.
Veröffentlicht: (2024)

TabPedia: Towards Comprehensive Visual Table Understanding with Concept Synergy
von: Zhao, Weichao, et al.
Veröffentlicht: (2024)

Human Motion Synthesis in 3D Scenes via Unified Scene Semantic Occupancy
von: Jingyu, Gong, et al.
Veröffentlicht: (2025)

S2GS: Streaming Semantic Gaussian Splatting for Online Scene Understanding and Reconstruction
von: Zhang, Renhe, et al.
Veröffentlicht: (2026)

OCRBench v2: An Improved Benchmark for Evaluating Large Multimodal Models on Visual Text Localization and Reasoning
von: Fu, Ling, et al.
Veröffentlicht: (2024)

TextPecker: Rewarding Structural Anomaly Quantification for Enhancing Visual Text Rendering
von: Zhu, Hanshen, et al.
Veröffentlicht: (2026)

VL-Reader: Vision and Language Reconstructor is an Effective Scene Text Recognizer
von: Zhong, Humen, et al.
Veröffentlicht: (2024)

MTVQA: Benchmarking Multilingual Text-Centric Visual Question Answering
von: Tang, Jingqun, et al.
Veröffentlicht: (2024)

AlignGPT: Multi-modal Large Language Models with Adaptive Alignment Capability
von: Zhao, Fei, et al.
Veröffentlicht: (2024)

Diffusion Implicit Policy for Unpaired Scene-aware Motion Synthesis
von: Gong, Jingyu, et al.
Veröffentlicht: (2024)

Awesome Multi-modal Object Tracking
von: Zhang, Chunhui, et al.
Veröffentlicht: (2024)

Decoupling Scene Perception and Ego Status: A Multi-Context Fusion Approach for Enhanced Generalization in End-to-End Autonomous Driving
von: Tang, Jiacheng, et al.
Veröffentlicht: (2025)

Zero-Shot Robotic Manipulation via 3D Gaussian Splatting-Enhanced Multimodal Retrieval-Augmented Generation
von: Xie, Zilong, et al.
Veröffentlicht: (2026)

Multi-View Learning with Context-Guided Receptance for Image Denoising
von: Chen, Binghong, et al.
Veröffentlicht: (2025)

DocPedia: Unleashing the Power of Large Multimodal Model in the Frequency Domain for Versatile Document Understanding
von: Feng, Hao, et al.
Veröffentlicht: (2023)

EgoTextVQA: Towards Egocentric Scene-Text Aware Video Question Answering
von: Zhou, Sheng, et al.
Veröffentlicht: (2025)

Understanding Dynamic Scenes in Ego Centric 4D Point Clouds
von: Huang, Junsheng, et al.
Veröffentlicht: (2025)

Beyond the Label Itself: Latent Labels Enhance Semi-supervised Point Cloud Panoptic Segmentation
von: Chen, Yujun, et al.
Veröffentlicht: (2023)

Exploring the Untouched Sweeps for Conflict-Aware 3D Segmentation Pretraining
von: Sun, Tianfang, et al.
Veröffentlicht: (2024)

ChineseVideoBench: Benchmarking Multi-modal Large Models for Chinese Video Question Answering
von: Nie, Yuxiang, et al.
Veröffentlicht: (2025)

Generalizable Object Re-Identification via Visual In-Context Prompting
von: Huang, Zhizhong, et al.
Veröffentlicht: (2025)

Multi-modal Situated Reasoning in 3D Scenes
von: Linghu, Xiongkun, et al.
Veröffentlicht: (2024)

FSR-VLN: Fast and Slow Reasoning for Vision-Language Navigation with Hierarchical Multi-modal Scene Graph
von: Zhou, Xiaolin, et al.
Veröffentlicht: (2025)

EgoLCD: Egocentric Video Generation with Long Context Diffusion
von: Zhang, Liuzhou, et al.
Veröffentlicht: (2025)

FastLGS: Speeding up Language Embedded Gaussians with Feature Grid Mapping
von: Ji, Yuzhou, et al.
Veröffentlicht: (2024)

One Model for Two Tasks: Cooperatively Recognizing and Recovering Low-Resolution Scene Text Images by Iterative Mutual Guidance
von: Zhao, Minyi, et al.
Veröffentlicht: (2024)

Balance-aware Sequence Sampling Makes Multi-modal Learning Better
von: Guan, Zhi-Hao
Veröffentlicht: (2025)

ChartM$^3$: A Multi-Stage Code-Driven Pipeline for Constructing Multi-Dimensional and Multi-Step Visual Reasoning Data in Chart Comprehension
von: Xu, Duo, et al.
Veröffentlicht: (2025)

Double-Cover-Based Analysis of the Bethe Permanent of Block-Structured Positive Matrices
von: Wu, Binghong, et al.
Veröffentlicht: (2026)

Radar and Event Camera Fusion for Agile Robot Ego-Motion Estimation
von: Lyu, Yang, et al.
Veröffentlicht: (2025)

Emphasis Rendering for Conversational Text-to-Speech with Multi-modal Multi-scale Context Modeling
von: Liu, Rui, et al.
Veröffentlicht: (2024)

Partial Scene Text Retrieval
von: Wang, Hao, et al.
Veröffentlicht: (2024)

What Makes a Scene ? Scene Graph-based Evaluation and Feedback for Controllable Generation
von: Chen, Zuyao, et al.
Veröffentlicht: (2024)

MSGNav: Unleashing the Power of Multi-modal 3D Scene Graph for Zero-Shot Embodied Navigation
von: Huang, Xun, et al.
Veröffentlicht: (2025)

Continual-NExT: A Unified Comprehension And Generation Continual Learning Framework
von: Qiao, Jingyang, et al.
Veröffentlicht: (2026)

GSCompleter: A Distillation-Free Plugin for Metric-Aware 3D Gaussian Splatting Completion in Seconds
von: Gao, Ao, et al.
Veröffentlicht: (2026)