Buchumschlag

See then Tell: Enhancing Key Information Extraction with Vision Grounding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Shuhang, Zhang, Zhenrong, Hu, Pengfei, Ma, Jiefeng, Du, Jun, Wang, Qing, Zhang, Jianshu, Liu, Chenyu
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

UniTabNet: Bridging Vision and Language Models for Enhanced Table Structure Recognition
von: Zhang, Zhenrong, et al.
Veröffentlicht: (2024)

Bidirectional Trained Tree-Structured Decoder for Handwritten Mathematical Expression Recognition
von: Cheng, Hanbo, et al.
Veröffentlicht: (2023)

SEMv3: A Fast and Robust Approach to Table Separation Line Detection
von: Qin, Chunxia, et al.
Veröffentlicht: (2024)

Skeleton and Font Generation Network for Zero-shot Chinese Character Generation
von: Xue, Mobai, et al.
Veröffentlicht: (2025)

SEMv2: Table Separation Line Detection Based on Instance Segmentation
von: Zhang, Zhenrong, et al.
Veröffentlicht: (2023)

DocMamba: Efficient Document Pre-training with State Space Model
von: Hu, Pengfei, et al.
Veröffentlicht: (2024)

DAWN: Dynamic Frame Avatar with Non-autoregressive Diffusion Framework for Talking Head Video Generation
von: Cheng, Hanbo, et al.
Veröffentlicht: (2024)

RFL: Simplifying Chemical Structure Recognition with Ring-Free Language
von: Chang, Qikai, et al.
Veröffentlicht: (2024)

SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding
von: Ma, Jiefeng, et al.
Veröffentlicht: (2024)

LEGO: Learning and Graph-Optimized Modular Tracker for Online Multi-Object Tracking with Point Clouds
von: Zhang, Zhenrong, et al.
Veröffentlicht: (2023)

InsightSee: Advancing Multi-agent Vision-Language Models for Enhanced Visual Understanding
von: Zhang, Huaxiang, et al.
Veröffentlicht: (2024)

Decom--CAM: Tell Me What You See, In Details! Feature-Level Interpretation via Decomposition Class Activation Map
von: Yang, Yuguang, et al.
Veröffentlicht: (2023)

EmotiveTalk: Expressive Talking Head Generation through Audio Information Decoupling and Emotional Video Diffusion
von: Wang, Haotian, et al.
Veröffentlicht: (2024)

SAVER: Selective As-Needed Vision Evidence for Multimodal Information Extraction
von: Hu, Miaobo, et al.
Veröffentlicht: (2026)

Seeing the Abstract: Translating the Abstract Language for Vision Language Models
von: Talon, Davide, et al.
Veröffentlicht: (2025)

VDInstruct: Zero-Shot Key Information Extraction via Content-Aware Vision Tokenization
von: Nguyen, Son, et al.
Veröffentlicht: (2025)

Efficient and Comprehensive Feature Extraction in Large Vision-Language Model for Pathology Analysis
von: Zhang, Shengxuming, et al.
Veröffentlicht: (2024)

Seeing Like Radiologists: Context- and Gaze-Guided Vision-Language Pretraining for Chest X-rays
von: Liu, Kang, et al.
Veröffentlicht: (2026)

Object-Shot Enhanced Grounding Network for Egocentric Video
von: Feng, Yisen, et al.
Veröffentlicht: (2025)

Enhancing the Geometric Problem-Solving Ability of Multimodal LLMs via Symbolic-Neural Integration
von: Pan, Yicheng, et al.
Veröffentlicht: (2025)

VLM Can Be a Good Assistant: Enhancing Embodied Visual Tracking with Self-Improving Vision-Language Models
von: Wu, Kui, et al.
Veröffentlicht: (2025)

Cross-Layer Vision Smoothing: Enhancing Visual Understanding via Sustained Focus on Key Objects in Large Vision-Language Models
von: Zhao, Jianfei, et al.
Veröffentlicht: (2025)

Target Prompting for Information Extraction with Vision Language Model
von: Medhi, Dipankar
Veröffentlicht: (2024)

Seeing is Believing? Enhancing Vision-Language Navigation using Visual Perturbations
von: Zhang, Xuesong, et al.
Veröffentlicht: (2024)

TDATR: Improving End-to-End Table Recognition via Table Detail-Aware Learning and Cell-Level Visual Alignment
von: Qin, Chunxia, et al.
Veröffentlicht: (2026)

Show or Tell? Effectively prompting Vision-Language Models for semantic segmentation
von: Avogaro, Niccolo, et al.
Veröffentlicht: (2025)

Grounded Knowledge-Enhanced Medical Vision-Language Pre-training for Chest X-Ray
von: Deng, Qiao, et al.
Veröffentlicht: (2024)

Separators in Enhancing Autoregressive Pretraining for Vision Mamba
von: Liu, Hanpeng, et al.
Veröffentlicht: (2026)

Aligning What Vision-Language Models See and Perceive with Adaptive Information Flow
von: Liu, Chengxin, et al.
Veröffentlicht: (2026)

Parameter-Efficient Fine-Tuning Medical Multimodal Large Language Models for Medical Visual Grounding
von: He, Jinlong, et al.
Veröffentlicht: (2024)

3DReasonKnee: Advancing Grounded Reasoning in Medical Vision Language Models
von: Sambara, Sraavya, et al.
Veröffentlicht: (2025)

Seeing is Believing (and Predicting): Context-Aware Multi-Human Behavior Prediction with Vision Language Models
von: Panchal, Utsav, et al.
Veröffentlicht: (2025)

UI-Ins: Enhancing GUI Grounding with Multi-Perspective Instruction-as-Reasoning
von: Chen, Liangyu, et al.
Veröffentlicht: (2025)

Seeing the Trees for the Forest: Rethinking Weakly-Supervised Medical Visual Grounding
von: Huy, Ta Duc, et al.
Veröffentlicht: (2025)

Tell Me What to Track: Infusing Robust Language Guidance for Enhanced Referring Multi-Object Tracking
von: Huang, Wenjun, et al.
Veröffentlicht: (2024)

See It, Say It, Sorted: An Iterative Training-Free Framework for Visually-Grounded Multimodal Reasoning in LVLMs
von: Zhang, Yongchang, et al.
Veröffentlicht: (2026)

MediSee: Reasoning-based Pixel-level Perception in Medical Images
von: Tong, Qinyue, et al.
Veröffentlicht: (2025)

A Separable Self-attention Inspired by the State Space Model for Computer Vision
von: Zhang, Juntao, et al.
Veröffentlicht: (2025)

Seeing Culture: A Benchmark for Visual Reasoning and Grounding
von: Satar, Burak, et al.
Veröffentlicht: (2025)

Seeing is Believing: Robust Vision-Guided Cross-Modal Prompt Learning under Label Noise
von: Geng, Zibin, et al.
Veröffentlicht: (2026)