SCO-VIST: Social Interaction Commonsense Knowledge-based Visual Storytelling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Eileen, Han, Soyeon Caren, Poon, Josiah
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VRD-IU: Lessons from Visually Rich Document Intelligence and Understanding
von: Ding, Yihao, et al.
Veröffentlicht: (2025)

VIST-GPT: Ushering in the Era of Visual Storytelling with LLMs?
von: Gado, Mohamed, et al.
Veröffentlicht: (2025)

GEM-VPC: A dual Graph-Enhanced Multimodal integration for Video Paragraph Captioning
von: Wang, Eileen, et al.
Veröffentlicht: (2024)

TARN-VIST: Topic Aware Reinforcement Network for Visual Storytelling
von: Chen, Weiran, et al.
Veröffentlicht: (2024)

Multimodal Commonsense Knowledge Distillation for Visual Question Answering
von: Yang, Shuo, et al.
Veröffentlicht: (2024)

Location-Aware Pretraining for Medical Difference Visual Question Answering
von: Musinguzi, Denis, et al.
Veröffentlicht: (2026)

VCD: A Dataset for Visual Commonsense Discovery in Images
von: Shen, Xiangqing, et al.
Veröffentlicht: (2024)

Augmented Commonsense Knowledge for Remote Object Grounding
von: Mohammadi, Bahram, et al.
Veröffentlicht: (2024)

Activating Visual Context and Commonsense Reasoning through Masked Prediction in VLMs
von: Yu, Jiaao, et al.
Veröffentlicht: (2025)

DIVE: Towards Descriptive and Diverse Visual Commonsense Generation
von: Park, Jun-Hyung, et al.
Veröffentlicht: (2024)

A Study of Commonsense Reasoning over Visual Object Properties
von: Kolari, Abhishek, et al.
Veröffentlicht: (2025)

SPoRC-VIST: A Benchmark for Evaluating Generative Natural Narrative in Vision-Language Models
von: Zeng, Yunlin
Veröffentlicht: (2026)

Towards Commonsense Knowledge based Fuzzy Systems for Supporting Size-Related Fine-Grained Object Detection
von: Zhang, Pu, et al.
Veröffentlicht: (2023)

ViCor: Bridging Visual Understanding and Commonsense Reasoning with Large Language Models
von: Zhou, Kaiwen, et al.
Veröffentlicht: (2023)

Commonsense-T2I Challenge: Can Text-to-Image Generation Models Understand Commonsense?
von: Fu, Xingyu, et al.
Veröffentlicht: (2024)

Learning to Correction: Explainable Feedback Generation for Visual Commonsense Reasoning Distractor
von: Chen, Jiali, et al.
Veröffentlicht: (2024)

Deep Learning based Visually Rich Document Content Understanding: A Survey
von: Ding, Yihao, et al.
Veröffentlicht: (2024)

Enhancing Scene Graph Generation with Hierarchical Relationships and Commonsense Knowledge
von: Jiang, Bowen, et al.
Veröffentlicht: (2023)

Text-guided 3D Human Motion Generation with Keyframe-based Parallel Skip Transformer
von: Geng, Zichen, et al.
Veröffentlicht: (2024)

ContextualStory: Consistent Visual Storytelling with Spatially-Enhanced and Storyline Context
von: Zheng, Sixiao, et al.
Veröffentlicht: (2024)

CK-Transformer: Commonsense Knowledge Enhanced Transformers for Referring Expression Comprehension
von: Zhang, Zhi, et al.
Veröffentlicht: (2023)

3MVRD: Multimodal Multi-task Multi-teacher Visually-Rich Form Document Understanding
von: Ding, Yihao, et al.
Veröffentlicht: (2024)

A Knowledge Noise Mitigation Framework for Knowledge-based Visual Question Answering
von: Liu, Zhiyue, et al.
Veröffentlicht: (2025)

Gemini in Reasoning: Unveiling Commonsense in Multimodal Large Language Models
von: Wang, Yuqing, et al.
Veröffentlicht: (2023)

CDH-Bench: A Commonsense-Driven Hallucination Benchmark for Evaluating Visual Fidelity in Vision-Language Models
von: Chen, Kesheng, et al.
Veröffentlicht: (2026)

Knowledge-based Visual Question Answer with Multimodal Processing, Retrieval and Filtering
von: Hong, Yuyang, et al.
Veröffentlicht: (2025)

MMCOMET: A Large-Scale Multimodal Commonsense Knowledge Graph for Contextual Reasoning
von: Wang, Eileen, et al.
Veröffentlicht: (2026)

PDF-MVQA: A Dataset for Multimodal Information Retrieval in PDF-based Visual Question Answering
von: Ding, Yihao, et al.
Veröffentlicht: (2024)

Commonsense Video Question Answering through Video-Grounded Entailment Tree Reasoning
von: Liu, Huabin, et al.
Veröffentlicht: (2025)

IIU: Independent Inference Units for Knowledge-based Visual Question Answering
von: Li, Yili, et al.
Veröffentlicht: (2024)

Map-Free Visual Relocalization Enhanced by Instance Knowledge and Depth Knowledge
von: Xiao, Mingyu, et al.
Veröffentlicht: (2024)

Is Your Image a Good Storyteller?
von: Song, Xiujie, et al.
Veröffentlicht: (2024)

Robust MLLM Unlearning via Visual Knowledge Distillation
von: Wang, Yuhang, et al.
Veröffentlicht: (2025)

MSG-Chart: Multimodal Scene Graph for ChartQA
von: Dai, Yue, et al.
Veröffentlicht: (2024)

An Efficient System for Automatic Map Storytelling -- A Case Study on Historical Maps
von: Liu, Ziyi, et al.
Veröffentlicht: (2024)

VIRTUE: Visual-Interactive Text-Image Universal Embedder
von: Wang, Wei-Yao, et al.
Veröffentlicht: (2025)

VIKSER: Visual Knowledge-Driven Self-Reinforcing Reasoning Framework
von: Wang, Chao, et al.
Veröffentlicht: (2025)

DrivingDojo Dataset: Advancing Interactive and Knowledge-Enriched Driving World Model
von: Wang, Yuqi, et al.
Veröffentlicht: (2024)

A Knowledge-guided Adversarial Defense for Resisting Malicious Visual Manipulation
von: Zhou, Dawei, et al.
Veröffentlicht: (2025)

VideoPhy: Evaluating Physical Commonsense for Video Generation
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)