Vision Language Model-based Caption Evaluation Method Leveraging Visual Context Extraction
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Maeda, Koki, Kurita, Shuhei, Miyanishi, Taiki, Okazaki, Naoaki |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
JaWildText: A Benchmark for Vision-Language Models on Japanese Scene Text Understanding
par: Maeda, Koki, et autres
Publié: (2026)
par: Maeda, Koki, et autres
Publié: (2026)
PhysQuantAgent: An Inference Pipeline of Mass Estimation for Vision-Language Models
par: Yokomizo, Hisayuki, et autres
Publié: (2026)
par: Yokomizo, Hisayuki, et autres
Publié: (2026)
JAMMEval: A Refined Collection of Japanese Benchmarks for Reliable VLM Evaluation
par: Sugiura, Issa, et autres
Publié: (2026)
par: Sugiura, Issa, et autres
Publié: (2026)
CityNav: A Large-Scale Dataset for Real-World Aerial Navigation
par: Lee, Jungdae, et autres
Publié: (2024)
par: Lee, Jungdae, et autres
Publié: (2024)
Cross3DVG: Cross-Dataset 3D Visual Grounding on Different RGB-D Scans
par: Miyanishi, Taiki, et autres
Publié: (2023)
par: Miyanishi, Taiki, et autres
Publié: (2023)
STATUS Bench: A Rigorous Benchmark for Evaluating Object State Understanding in Vision-Language Models
par: Ukai, Mahiro, et autres
Publié: (2025)
par: Ukai, Mahiro, et autres
Publié: (2025)
Multi-modal, Multi-task, Multi-criteria Automatic Evaluation with Vision Language Models
par: Ohi, Masanari, et autres
Publié: (2024)
par: Ohi, Masanari, et autres
Publié: (2024)
Answerability Fields: Answerable Location Estimation via Diffusion Models
par: Azuma, Daichi, et autres
Publié: (2024)
par: Azuma, Daichi, et autres
Publié: (2024)
Map-based Modular Approach for Zero-shot Embodied Question Answering
par: Sakamoto, Koya, et autres
Publié: (2024)
par: Sakamoto, Koya, et autres
Publié: (2024)
HakushoBench: A Japanese Chart and Table VQA Benchmark from Governmental White Papers
par: Sugiura, Issa, et autres
Publié: (2026)
par: Sugiura, Issa, et autres
Publié: (2026)
WAON: A Large-Scale Japanese Image-Text Dataset for Cultural Adaptation in Contrastive Vision-Language Models
par: Sugiura, Issa, et autres
Publié: (2025)
par: Sugiura, Issa, et autres
Publié: (2025)
Jagle: Building a Large-Scale Japanese Multimodal Post-Training Dataset for Vision-Language Models
par: Sugiura, Issa, et autres
Publié: (2026)
par: Sugiura, Issa, et autres
Publié: (2026)
Text-driven Affordance Learning from Egocentric Vision
par: Yoshida, Tomoya, et autres
Publié: (2024)
par: Yoshida, Tomoya, et autres
Publié: (2024)
GeoProg3D: Compositional Visual Reasoning for City-Scale 3D Language Fields
par: Yasuki, Shunsuke, et autres
Publié: (2025)
par: Yasuki, Shunsuke, et autres
Publié: (2025)
From Captions to Rewards (CAREVL): Leveraging Large Language Model Experts for Enhanced Reward Modeling in Large Vision-Language Models
par: Dai, Muzhi, et autres
Publié: (2025)
par: Dai, Muzhi, et autres
Publié: (2025)
AdaCoder: Adaptive Prompt Compression for Programmatic Visual Question Answering
par: Ukai, Mahiro, et autres
Publié: (2024)
par: Ukai, Mahiro, et autres
Publié: (2024)
Leveraging Vision-Language Models for Visual Grounding and Analysis of Automotive UI
par: Ernhofer, Benjamin Raphael, et autres
Publié: (2025)
par: Ernhofer, Benjamin Raphael, et autres
Publié: (2025)
Leveraging Chat-Based Large Vision Language Models for Multimodal Out-Of-Context Detection
par: Shalabi, Fatma, et autres
Publié: (2024)
par: Shalabi, Fatma, et autres
Publié: (2024)
From Correspondence to Actions: Human-Like Multi-Image Spatial Reasoning in Multi-modal Large Language Models
par: Oi, Masanari, et autres
Publié: (2026)
par: Oi, Masanari, et autres
Publié: (2026)
EC-Bench: Enumeration and Counting Benchmark for Ultra-Long Videos
par: Tsuchiya, Fumihiko, et autres
Publié: (2026)
par: Tsuchiya, Fumihiko, et autres
Publié: (2026)
VisionGraph: Leveraging Large Multimodal Models for Graph Theory Problems in Visual Context
par: Li, Yunxin, et autres
Publié: (2024)
par: Li, Yunxin, et autres
Publié: (2024)
LegalViz: Legal Text Visualization by Text To Diagram Generation
par: Onami, Eri, et autres
Publié: (2025)
par: Onami, Eri, et autres
Publié: (2025)
Referring Expression Comprehension for Small Objects
par: Goto, Kanoko, et autres
Publié: (2025)
par: Goto, Kanoko, et autres
Publié: (2025)
RS-MoE: A Vision-Language Model with Mixture of Experts for Remote Sensing Image Captioning and Visual Question Answering
par: Lin, Hui, et autres
Publié: (2024)
par: Lin, Hui, et autres
Publié: (2024)
GEASS: Gated Evidence-Adaptive Selective Caption Trust for Vision-Language Models
par: Li, Zeshang, et autres
Publié: (2026)
par: Li, Zeshang, et autres
Publié: (2026)
LLaVA-SG: Leveraging Scene Graphs as Visual Semantic Expression in Vision-Language Models
par: Wang, Jingyi, et autres
Publié: (2024)
par: Wang, Jingyi, et autres
Publié: (2024)
Synth$^2$: Boosting Visual-Language Models with Synthetic Captions and Image Embeddings
par: Sharifzadeh, Sahand, et autres
Publié: (2024)
par: Sharifzadeh, Sahand, et autres
Publié: (2024)
Visual Graph Arena: Evaluating Visual Conceptualization of Vision and Multimodal Large Language Models
par: Babaiee, Zahra, et autres
Publié: (2025)
par: Babaiee, Zahra, et autres
Publié: (2025)
When Visuals Aren't the Problem: Evaluating Vision-Language Models on Misleading Data Visualizations
par: Lalai, Harsh Nishant, et autres
Publié: (2026)
par: Lalai, Harsh Nishant, et autres
Publié: (2026)
Robotic Environmental State Recognition with Pre-Trained Vision-Language Models and Black-Box Optimization
par: Kawaharazuka, Kento, et autres
Publié: (2024)
par: Kawaharazuka, Kento, et autres
Publié: (2024)
Low-hallucination Synthetic Captions for Large-Scale Vision-Language Model Pre-training
par: Zhang, Xinsong, et autres
Publié: (2025)
par: Zhang, Xinsong, et autres
Publié: (2025)
Beyond Recognition: Evaluating Visual Perspective Taking in Vision Language Models
par: Góral, Gracjan, et autres
Publié: (2025)
par: Góral, Gracjan, et autres
Publié: (2025)
Target Prompting for Information Extraction with Vision Language Model
par: Medhi, Dipankar
Publié: (2024)
par: Medhi, Dipankar
Publié: (2024)
HNC: Leveraging Hard Negative Captions towards Models with Fine-Grained Visual-Linguistic Comprehension Capabilities
par: Dönmez, Esra, et autres
Publié: (2026)
par: Dönmez, Esra, et autres
Publié: (2026)
Leveraging Textual Compositional Reasoning for Robust Change Captioning
par: Park, Kyu Ri, et autres
Publié: (2025)
par: Park, Kyu Ri, et autres
Publié: (2025)
Robotic State Recognition with Image-to-Text Retrieval Task of Pre-Trained Vision-Language Model and Black-Box Optimization
par: Kawaharazuka, Kento, et autres
Publié: (2024)
par: Kawaharazuka, Kento, et autres
Publié: (2024)
SCRA-VQA: Summarized Caption-Rerank for Augmented Large Language Models in Visual Question Answering
par: Zhang, Yan, et autres
Publié: (2025)
par: Zhang, Yan, et autres
Publié: (2025)
Leveraging Vision-Language Models to Detect Attention in Educational Videos
par: Becquet, Gabriel, et autres
Publié: (2026)
par: Becquet, Gabriel, et autres
Publié: (2026)
MedVH: Towards Systematic Evaluation of Hallucination for Large Vision Language Models in the Medical Context
par: Gu, Zishan, et autres
Publié: (2024)
par: Gu, Zishan, et autres
Publié: (2024)
VISOR++: Universal Visual Inputs based Steering for Large Vision Language Models
par: Balakrishnan, Ravikumar, et autres
Publié: (2025)
par: Balakrishnan, Ravikumar, et autres
Publié: (2025)
Documents similaires
-
JaWildText: A Benchmark for Vision-Language Models on Japanese Scene Text Understanding
par: Maeda, Koki, et autres
Publié: (2026) -
PhysQuantAgent: An Inference Pipeline of Mass Estimation for Vision-Language Models
par: Yokomizo, Hisayuki, et autres
Publié: (2026) -
JAMMEval: A Refined Collection of Japanese Benchmarks for Reliable VLM Evaluation
par: Sugiura, Issa, et autres
Publié: (2026) -
CityNav: A Large-Scale Dataset for Real-World Aerial Navigation
par: Lee, Jungdae, et autres
Publié: (2024) -
Cross3DVG: Cross-Dataset 3D Visual Grounding on Different RGB-D Scans
par: Miyanishi, Taiki, et autres
Publié: (2023)