Buchumschlag

ComiCap: A VLMs pipeline for dense captioning of Comic Panels

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vivoli, Emanuele, Biondi, Niccolò, Bertini, Marco, Karatzas, Dimosthenis
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Comics Datasets Framework: Mix of Comics datasets for detection benchmarking
von: Vivoli, Emanuele, et al.
Veröffentlicht: (2024)

CoMix: A Comprehensive Benchmark for Multi-Task Comic Understanding
von: Vivoli, Emanuele, et al.
Veröffentlicht: (2024)

One missing piece in Vision and Language: A Survey on Comics Understanding
von: Vivoli, Emanuele, et al.
Veröffentlicht: (2024)

ComicsPAP: understanding comic strips by picking the correct panel
von: Vivoli, Emanuele, et al.
Veröffentlicht: (2025)

CoSMo: A Multimodal Transformer for Page Stream Segmentation in Comic Books
von: Ortega, Marc Serra, et al.
Veröffentlicht: (2025)

Multimodal Transformer for Comics Text-Cloze
von: Vivoli, Emanuele, et al.
Veröffentlicht: (2024)

HoloMine: A Synthetic Dataset for Buried Landmines Recognition using Microwave Holographic Imaging
von: Vivoli, Emanuele, et al.
Veröffentlicht: (2025)

A Fast Hierarchical Method for Multi-script and Arbitrary Oriented Scene Text Extraction
von: Gomez, Lluis, et al.
Veröffentlicht: (2014)

TRIM: A Self-Supervised Video Summarization Framework Maximizing Temporal Relative Information and Representativeness
von: Mishra, Pritam, et al.
Veröffentlicht: (2025)

Counterfeit Answers: Adversarial Forgery against OCR-Free Document Visual Question Answering
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

Federated Document Visual Question Answering: A Pilot Study
von: Nguyen, Khanh, et al.
Veröffentlicht: (2024)

TRIMMER: A New Paradigm for Video Summarization through Self-Supervised Reinforcement Learning
von: Mishra, Pritam, et al.
Veröffentlicht: (2026)

Multi-Page Document Visual Question Answering using Self-Attention Scoring Mechanism
von: Kang, Lei, et al.
Veröffentlicht: (2024)

AVIR: Adaptive Visual In-Document Retrieval for Efficient Multi-Page Document Question Answering
von: Li, Zongmin, et al.
Veröffentlicht: (2026)

Towards Generative Class Prompt Learning for Fine-grained Visual Recognition
von: Chattopadhyay, Soumitri, et al.
Veröffentlicht: (2024)

From Panels to Prose: Generating Literary Narratives from Comics
von: Sachdeva, Ragav, et al.
Veröffentlicht: (2025)

Reading in the Dark: Low-light Scene Text Recognition
von: Fu, Xuanshuo, et al.
Veröffentlicht: (2026)

Reading Between the Lanes: Text VideoQA on the Road
von: Tom, George, et al.
Veröffentlicht: (2023)

Image-text matching for large-scale book collections
von: Llabrés, Artemis, et al.
Veröffentlicht: (2024)

Preserving Privacy Without Compromising Accuracy: Machine Unlearning for Handwritten Text Recognition
von: Kang, Lei, et al.
Veröffentlicht: (2025)

Spatially Grounded Explanations in Vision Language Models for Document Visual Question Answering
von: Lagos, Maximiliano Hormazábal, et al.
Veröffentlicht: (2025)

Image captioning in different languages
von: van Miltenburg, Emiel
Veröffentlicht: (2024)

PEPR: Privileged Event-based Predictive Regularization for Domain Generalization
von: Magrini, Gabriele, et al.
Veröffentlicht: (2026)

Backward-Compatible Aligned Representations via an Orthogonal Transformation Layer
von: Ricci, Simone, et al.
Veröffentlicht: (2024)

Stationary Representations: Optimally Approximating Compatibility and Implications for Improved Model Replacements
von: Biondi, Niccolò, et al.
Veröffentlicht: (2024)

Learning text-to-video retrieval from image captioning
von: Ventura, Lucas, et al.
Veröffentlicht: (2024)

Machine Unlearning for Document Classification
von: Kang, Lei, et al.
Veröffentlicht: (2024)

DocVXQA: Context-Aware Visual Explanations for Document Question Answering
von: Souibgui, Mohamed Ali, et al.
Veröffentlicht: (2025)

Leveraging image captions for selective whole slide image annotation
von: Qiu, Jingna, et al.
Veröffentlicht: (2024)

Fine-grained length controllable video captioning with ordinal embeddings
von: Nitta, Tomoya, et al.
Veröffentlicht: (2024)

CycleCap: Improving VLMs Captioning Performance via Self-Supervised Cycle Consistency Fine-Tuning
von: Krestenitis, Marios, et al.
Veröffentlicht: (2026)

FRED: The Florence RGB-Event Drone Dataset
von: Magrini, Gabriele, et al.
Veröffentlicht: (2025)

Multi-Modal interpretable automatic video captioning
von: Hanna-Asaad, Antoine, et al.
Veröffentlicht: (2024)

Mitigating Negative Flips via Margin Preserving Training
von: Ricci, Simone, et al.
Veröffentlicht: (2025)

Object-oriented backdoor attack against image captioning
von: Li, Meiling, et al.
Veröffentlicht: (2024)

Retrieval Augmented Comic Image Generation
von: Shui, Yunhao, et al.
Veröffentlicht: (2025)

Image captioning for Brazilian Portuguese using GRIT model
von: de Alencar, Rafael Silva, et al.
Veröffentlicht: (2024)

Improving face generation quality and prompt following with synthetic captions
von: Tarasiou, Michail, et al.
Veröffentlicht: (2024)

Quality-Aware Image-Text Alignment for Opinion-Unaware Image Quality Assessment
von: Agnolucci, Lorenzo, et al.
Veröffentlicht: (2024)

The Manga Whisperer: Automatically Generating Transcriptions for Comics
von: Sachdeva, Ragav, et al.
Veröffentlicht: (2024)