Automatic Layout Planning for Visually-Rich Documents with Instruction-Following Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Zhu, Wanrong, Healey, Jennifer, Zhang, Ruiyi, Wang, William Yang, Sun, Tong |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
LayoutLLM: Large Language Model Instruction Tuning for Visually Rich Document Understanding
par: Fujitake, Masato
Publié: (2024)
par: Fujitake, Masato
Publié: (2024)
Towards Visual Text Grounding of Multimodal Large Language Model
par: Li, Ming, et autres
Publié: (2025)
par: Li, Ming, et autres
Publié: (2025)
LLaVAR: Enhanced Visual Instruction Tuning for Text-Rich Image Understanding
par: Zhang, Yanzhe, et autres
Publié: (2023)
par: Zhang, Yanzhe, et autres
Publié: (2023)
Text as Images: Can Multimodal Large Language Models Follow Printed Instructions in Pixels?
par: Li, Xiujun, et autres
Publié: (2023)
par: Li, Xiujun, et autres
Publié: (2023)
VELMA: Verbalization Embodiment of LLM Agents for Vision and Language Navigation in Street View
par: Schumann, Raphael, et autres
Publié: (2023)
par: Schumann, Raphael, et autres
Publié: (2023)
LayoutLLM: Layout Instruction Tuning with Large Language Models for Document Understanding
par: Luo, Chuwei, et autres
Publié: (2024)
par: Luo, Chuwei, et autres
Publié: (2024)
Towards Visual-Prompt Temporal Answering Grounding in Medical Instructional Video
par: Li, Bin, et autres
Publié: (2022)
par: Li, Bin, et autres
Publié: (2022)
Toward Automatic Safe Driving Instruction: A Large-Scale Vision Language Model Approach
par: Sakajo, Haruki, et autres
Publié: (2025)
par: Sakajo, Haruki, et autres
Publié: (2025)
Incentivizing Reasoning for Advanced Instruction-Following of Large Language Models
par: Qin, Yulei, et autres
Publié: (2025)
par: Qin, Yulei, et autres
Publié: (2025)
VDocRAG: Retrieval-Augmented Generation over Visually-Rich Documents
par: Tanaka, Ryota, et autres
Publié: (2025)
par: Tanaka, Ryota, et autres
Publié: (2025)
NavSpace: How Navigation Agents Follow Spatial Intelligence Instructions
par: Yang, Haolin, et autres
Publié: (2025)
par: Yang, Haolin, et autres
Publié: (2025)
GUI-AIMA: Aligning Intrinsic Multimodal Attention with a Context Anchor for GUI Grounding
par: Zhou, Shijie, et autres
Publié: (2025)
par: Zhou, Shijie, et autres
Publié: (2025)
KH-FUNSD: A Hierarchical and Fine-Grained Layout Analysis Dataset for Low-Resource Khmer Business Document
par: Thuon, Nimol, et autres
Publié: (2025)
par: Thuon, Nimol, et autres
Publié: (2025)
MMWorld: Towards Multi-discipline Multi-faceted World Model Evaluation in Videos
par: He, Xuehai, et autres
Publié: (2024)
par: He, Xuehai, et autres
Publié: (2024)
Multimodal LLMs as Customized Reward Models for Text-to-Image Generation
par: Zhou, Shijie, et autres
Publié: (2025)
par: Zhou, Shijie, et autres
Publié: (2025)
A High-Quality Text-Rich Image Instruction Tuning Dataset via Hybrid Instruction Generation
par: Zhou, Shijie, et autres
Publié: (2024)
par: Zhou, Shijie, et autres
Publié: (2024)
How to Train Your Long-Context Visual Document Model
par: Veselka, Austin
Publié: (2026)
par: Veselka, Austin
Publié: (2026)
Layout-Aware Parsing Meets Efficient LLMs: A Unified, Scalable Framework for Resume Information Extraction and Evaluation
par: Zhu, Fanwei, et autres
Publié: (2025)
par: Zhu, Fanwei, et autres
Publié: (2025)
Enhancing Instruction-Following Capability of Visual-Language Models by Reducing Image Redundancy
par: Yang, Te, et autres
Publié: (2024)
par: Yang, Te, et autres
Publié: (2024)
CaughtCheating: Is Your MLLM a Good Cheating Detective? Exploring the Boundary of Visual Perception and Reasoning
par: Li, Ming, et autres
Publié: (2025)
par: Li, Ming, et autres
Publié: (2025)
ChartGemma: Visual Instruction-tuning for Chart Reasoning in the Wild
par: Masry, Ahmed, et autres
Publié: (2024)
par: Masry, Ahmed, et autres
Publié: (2024)
Parrot: Multilingual Visual Instruction Tuning
par: Sun, Hai-Long, et autres
Publié: (2024)
par: Sun, Hai-Long, et autres
Publié: (2024)
Losing Visual Needles in Image Haystacks: Vision Language Models are Easily Distracted in Short and Long Contexts
par: Sharma, Aditya, et autres
Publié: (2024)
par: Sharma, Aditya, et autres
Publié: (2024)
Infinity Parser: Layout Aware Reinforcement Learning for Scanned Document Parsing
par: Wang, Baode, et autres
Publié: (2025)
par: Wang, Baode, et autres
Publié: (2025)
MCIF: Multimodal Crosslingual Instruction-Following Benchmark from Scientific Talks
par: Papi, Sara, et autres
Publié: (2025)
par: Papi, Sara, et autres
Publié: (2025)
List Items One by One: A New Data Source and Learning Paradigm for Multimodal LLMs
par: Yan, An, et autres
Publié: (2024)
par: Yan, An, et autres
Publié: (2024)
Cream of the Crop: Harvesting Rich, Scalable and Transferable Multi-Modal Data for Instruction Fine-Tuning
par: Lyu, Mengyao, et autres
Publié: (2025)
par: Lyu, Mengyao, et autres
Publié: (2025)
A Survey of Automatic Evaluation Methods on Text, Visual and Speech Generations
par: Lan, Tian, et autres
Publié: (2025)
par: Lan, Tian, et autres
Publié: (2025)
PP-DocLayout: A Unified Document Layout Detection Model to Accelerate Large-Scale Data Construction
par: Sun, Ting, et autres
Publié: (2025)
par: Sun, Ting, et autres
Publié: (2025)
VisualAgentBench: Towards Large Multimodal Models as Visual Foundation Agents
par: Liu, Xiao, et autres
Publié: (2024)
par: Liu, Xiao, et autres
Publié: (2024)
VisualWebInstruct: Scaling up Multimodal Instruction Data through Web Search
par: Jia, Yiming, et autres
Publié: (2025)
par: Jia, Yiming, et autres
Publié: (2025)
Internalized Reasoning for Long-Context Visual Document Understanding
par: Veselka, Austin
Publié: (2026)
par: Veselka, Austin
Publié: (2026)
Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding
par: Sun, Shenghuan, et autres
Publié: (2024)
par: Sun, Shenghuan, et autres
Publié: (2024)
Following Route Instructions using Large Vision-Language Models: A Comparison between Low-level and Panoramic Action Spaces
par: Kåsene, Vebjørn Haug, et autres
Publié: (2025)
par: Kåsene, Vebjørn Haug, et autres
Publié: (2025)
VRAG-RL: Empower Vision-Perception-Based RAG for Visually Rich Information Understanding via Iterative Reasoning with Reinforcement Learning
par: Wang, Qiuchen, et autres
Publié: (2025)
par: Wang, Qiuchen, et autres
Publié: (2025)
Reconstructive Visual Instruction Tuning
par: Wang, Haochen, et autres
Publié: (2024)
par: Wang, Haochen, et autres
Publié: (2024)
MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding
par: Li, Zekun, et autres
Publié: (2024)
par: Li, Zekun, et autres
Publié: (2024)
ReVision: A Dataset and Baseline VLM for Privacy-Preserving Task-Oriented Visual Instruction Rewriting
par: Mishra, Abhijit, et autres
Publié: (2025)
par: Mishra, Abhijit, et autres
Publié: (2025)
Instruct-Imagen: Image Generation with Multi-modal Instruction
par: Hu, Hexiang, et autres
Publié: (2024)
par: Hu, Hexiang, et autres
Publié: (2024)
Q&A Prompts: Discovering Rich Visual Clues through Mining Question-Answer Prompts for VQA requiring Diverse World Knowledge
par: Wang, Haibo, et autres
Publié: (2024)
par: Wang, Haibo, et autres
Publié: (2024)
Documents similaires
-
LayoutLLM: Large Language Model Instruction Tuning for Visually Rich Document Understanding
par: Fujitake, Masato
Publié: (2024) -
Towards Visual Text Grounding of Multimodal Large Language Model
par: Li, Ming, et autres
Publié: (2025) -
LLaVAR: Enhanced Visual Instruction Tuning for Text-Rich Image Understanding
par: Zhang, Yanzhe, et autres
Publié: (2023) -
Text as Images: Can Multimodal Large Language Models Follow Printed Instructions in Pixels?
par: Li, Xiujun, et autres
Publié: (2023) -
VELMA: Verbalization Embodiment of LLM Agents for Vision and Language Navigation in Street View
par: Schumann, Raphael, et autres
Publié: (2023)