Buchumschlag

ChartMoE: Mixture of Diversely Aligned Expert Connector for Chart Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Zhengzhuo, Qu, Bowen, Qi, Yiyan, Du, Sinan, Xu, Chengjin, Yuan, Chun, Guo, Jian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Computation and Language Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ChartBench: A Benchmark for Complex Visual Reasoning in Charts
von: Xu, Zhengzhuo, et al.
Veröffentlicht: (2023)

ChartPoint: Guiding MLLMs with Grounding Reflection for Chart Reasoning
von: Xu, Zhengzhuo, et al.
Veröffentlicht: (2025)

ChartGalaxy: A Dataset for Infographic Chart Understanding and Generation
von: Li, Zhen, et al.
Veröffentlicht: (2025)

Financial Knowledge Large Language Model
von: Yang, Cehao, et al.
Veröffentlicht: (2024)

MLLM Is a Strong Reranker: Advancing Multimodal Retrieval-augmented Generation via Knowledge-enhanced Reranking and Noise-injected Training
von: Chen, Zhanpeng, et al.
Veröffentlicht: (2024)

ChartCards: A Chart-Metadata Generation Framework for Multi-Task Chart Understanding
von: Wu, Yifan, et al.
Veröffentlicht: (2025)

ChartQAPro: A More Diverse and Challenging Benchmark for Chart Question Answering
von: Masry, Ahmed, et al.
Veröffentlicht: (2025)

ChartAdapter: Large Vision-Language Model for Chart Summarization
von: Xu, Peixin, et al.
Veröffentlicht: (2024)

CycleChart: A Unified Consistency-Based Learning Framework for Bidirectional Chart Understanding and Generation
von: Deng, Dazhen, et al.
Veröffentlicht: (2025)

CharXiv: Charting Gaps in Realistic Chart Understanding in Multimodal LLMs
von: Wang, Zirui, et al.
Veröffentlicht: (2024)

Do LVLMs Understand Charts? Analyzing and Correcting Factual Errors in Chart Captioning
von: Huang, Kung-Hsiang, et al.
Veröffentlicht: (2023)

On Pre-training of Multimodal Language Models Customized for Chart Understanding
von: Fan, Wan-Cyuan, et al.
Veröffentlicht: (2024)

Do MLLMs Really Understand the Charts?
von: Zhang, Xiao, et al.
Veröffentlicht: (2025)

DIVE into MoE: Diversity-Enhanced Reconstruction of Large Language Models from Dense into Mixture-of-Experts
von: Feng, Yuchen, et al.
Veröffentlicht: (2025)

ChartEdit: How Far Are MLLMs From Automating Chart Analysis? Evaluating MLLMs' Capability via Chart Editing
von: Zhao, Xuanle, et al.
Veröffentlicht: (2025)

On the Perception Bottleneck of VLMs for Chart Understanding
von: Liu, Junteng, et al.
Veröffentlicht: (2025)

ChartEditor: A Reinforcement Learning Framework for Robust Chart Editing
von: Chen, Liangyu, et al.
Veröffentlicht: (2025)

ChartMind: A Comprehensive Benchmark for Complex Real-world Multimodal Chart Question Answering
von: Wei, Jingxuan, et al.
Veröffentlicht: (2025)

ChartReasoner: Code-Driven Modality Bridging for Long-Chain Reasoning in Chart Question Answering
von: Jia, Caijun, et al.
Veröffentlicht: (2025)

ChartInstruct: Instruction Tuning for Chart Comprehension and Reasoning
von: Masry, Ahmed, et al.
Veröffentlicht: (2024)

ChartLens: Fine-grained Visual Attribution in Charts
von: Suri, Manan, et al.
Veröffentlicht: (2025)

ChartGaze: Enhancing Chart Understanding in LVLMs with Eye-Tracking Guided Attention Refinement
von: Salamatian, Ali, et al.
Veröffentlicht: (2025)

Mixture-of-Instructions: Aligning Large Language Models via Mixture Prompting
von: Xu, Bowen, et al.
Veröffentlicht: (2024)

Mixture-of-Prompt-Experts for Multi-modal Semantic Understanding
von: Wu, Zichen, et al.
Veröffentlicht: (2024)

Effective Training Data Synthesis for Improving MLLM Chart Understanding
von: Yang, Yuwei, et al.
Veröffentlicht: (2025)

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

In-Depth and In-Breadth: Pre-training Multimodal Language Models Customized for Comprehensive Chart Understanding
von: Fan, Wan-Cyuan, et al.
Veröffentlicht: (2025)

ChartNet: A Million-Scale, High-Quality Multimodal Dataset for Robust Chart Understanding
von: Kondic, Jovana, et al.
Veröffentlicht: (2026)

ChartAttack: Testing the Vulnerability of LLMs to Malicious Prompting in Chart Generation
von: Ortiz-Barajas, Jesus-German, et al.
Veröffentlicht: (2026)

Chart-to-Experience: Benchmarking Multimodal LLMs for Predicting Experiential Impact of Charts
von: Kim, Seon Gyeom, et al.
Veröffentlicht: (2025)

From Data to Insights: Exploring Program-of-Thoughts Prompting for Chart Summarization
von: Qu, Yutong, et al.
Veröffentlicht: (2026)

Aligned Multi-View Scripts for Universal Chart-to-Code Generation
von: Zhang, Zhihan, et al.
Veröffentlicht: (2026)

ChartREG++: Towards Benchmarking and Improving Chart Referring Expression Grounding under Diverse referring clues and Multi-Target Referring
von: Niu, Tianhao, et al.
Veröffentlicht: (2026)

ChartMark: A Structured Grammar for Chart Annotation
von: Chen, Yiyu, et al.
Veröffentlicht: (2025)

ChartCap: Mitigating Hallucination of Dense Chart Captioning
von: Lim, Junyoung, et al.
Veröffentlicht: (2025)

BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning
von: Masry, Ahmed, et al.
Veröffentlicht: (2025)

ChartThinker: A Contextual Chain-of-Thought Approach to Optimized Chart Summarization
von: Liu, Mengsha, et al.
Veröffentlicht: (2024)

EvoMoE: Expert Evolution in Mixture of Experts for Multimodal Large Language Models
von: Jing, Linglin, et al.
Veröffentlicht: (2025)

ChartHal: A Fine-grained Framework Evaluating Hallucination of Large Vision Language Models in Chart Understanding
von: Wang, Xingqi, et al.
Veröffentlicht: (2025)

RealChart2Code: Advancing Chart-to-Code Generation with Real Data and Multi-Task Evaluation
von: Zhang, Jiajun, et al.
Veröffentlicht: (2026)