Buchumschlag

ZoomEye: Enhancing Multimodal LLMs with Human-Like Zooming Capabilities through Tree-Based Image Exploration

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shen, Haozhan, Zhao, Kangjia, Zhao, Tiancheng, Xu, Ruochen, Zhang, Zilun, Zhu, Mingwei, Yin, Jianwei
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

Which Pretraining Paradigm Better Serves Spatial Intelligence? An Empirical Comparison of Vision-Language and Video Generation Models
von: Shen, Haozhan, et al.
Veröffentlicht: (2026)

The Self-Improvement Paradox: Can Language Models Bootstrap Reasoning Capabilities without External Scaffolding?
von: Sun, Yutao, et al.
Veröffentlicht: (2025)

Talking to Yourself: Defying Forgetting in Large Language Models
von: Sun, Yutao, et al.
Veröffentlicht: (2026)

ImageRAG: Enhancing Ultra High Resolution Remote Sensing Imagery Analysis with ImageRAG
von: Zhang, Zilun, et al.
Veröffentlicht: (2024)

GUI Testing Arena: A Unified Benchmark for Advancing Autonomous GUI Testing Agent
von: Zhao, Kangjia, et al.
Veröffentlicht: (2024)

VLM-R1: A Stable and Generalizable R1-style Large Vision-Language Model
von: Shen, Haozhan, et al.
Veröffentlicht: (2025)

Zooming without Zooming: Region-to-Image Distillation for Fine-Grained Multimodal Perception
von: Wei, Lai, et al.
Veröffentlicht: (2026)

RS5M and GeoRSCLIP: A Large Scale Vision-Language Dataset and A Large Vision-Language Model for Remote Sensing
von: Zhang, Zilun, et al.
Veröffentlicht: (2023)

GeoRSMLLM: A Multimodal Large Language Model for Vision-Language Tasks in Geoscience and Remote Sensing
von: Zhang, Zilun, et al.
Veröffentlicht: (2025)

Preserving Knowledge in Large Language Model with Model-Agnostic Self-Decompression
von: Zhang, Zilun, et al.
Veröffentlicht: (2024)

DetailCLIP: Injecting Image Details into CLIP's Feature Space
von: Zhang, Zilun, et al.
Veröffentlicht: (2022)

SRMF: A Data Augmentation and Multimodal Fusion Approach for Long-Tail UHR Satellite Image Segmentation
von: Guo, Yulong, et al.
Veröffentlicht: (2025)

ZoomTable: Interactive Exploration of Data Facts in Hierarchical Tables via Semantic Zooming
von: Chen, Qiyang, et al.
Veröffentlicht: (2026)

Iterative Zoom-In: Temporal Interval Exploration for Long Video Understanding
von: Li, Chenglin, et al.
Veröffentlicht: (2025)

TextCoT: Zoom In for Enhanced Multimodal Text-Rich Image Understanding
von: Luan, Bozhi, et al.
Veröffentlicht: (2024)

Geo-R1: Improving Few-Shot Geospatial Referring Expression Understanding with Reinforcement Fine-Tuning
von: Zhang, Zilun, et al.
Veröffentlicht: (2025)

AttZoom: Attention Zoom for Better Visual Features
von: DeAlcala, Daniel, et al.
Veröffentlicht: (2025)

Zoom-Zero: Reinforced Coarse-to-Fine Video Understanding via Temporal Zoom-in
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2025)

Zoom-Refine: Boosting High-Resolution Multimodal Understanding via Localized Zoom and Self-Refinement
von: Yu, Xuan, et al.
Veröffentlicht: (2025)

EventZoom: A Progressive Approach to Event-Based Data Augmentation for Enhanced Neuromorphic Vision
von: Dong, Yiting, et al.
Veröffentlicht: (2024)

Zoom in, Click out: Unlocking and Evaluating the Potential of Zooming for GUI Grounding
von: Jiang, Zhiyuan, et al.
Veröffentlicht: (2025)

Just Zoom In: Cross-View Geo-Localization via Autoregressive Zooming
von: Erzurumlu, Yunus Talha, et al.
Veröffentlicht: (2026)

FIZZ: Factual Inconsistency Detection by Zoom-in Summary and Zoom-out Document
von: Yang, Joonho, et al.
Veröffentlicht: (2024)

HeadZoom: Hands-Free Zooming and Panning for 2D Image Navigation Using Head Motion
von: Zhang, Kaining, et al.
Veröffentlicht: (2025)

Zoom Conference Dataset
von: Gudaparthi, Hemanth
Veröffentlicht: (2025)

Zooming in on discrete space
von: Vanzella, Daniel A. Turolla
Veröffentlicht: (2024)

Code Semantic Zooming
von: Ba, Jinsheng, et al.
Veröffentlicht: (2025)

Who's Watching You Zoom? Investigating Privacy of Third-Party Zoom Apps
von: Goenka, Saharsh, et al.
Veröffentlicht: (2025)

AdaZoom-GUI: Adaptive Zoom-based GUI Grounding with Instruction Refinement
von: Pei, Siqi, et al.
Veröffentlicht: (2026)

To Zoom or not to Zoom: Assessment of synchronous online modality preferences and performance in an introductory undergraduate course
von: Rachel L. Veenstra Cott
Veröffentlicht: (2025)

Adaptive Image Zoom-in with Bounding Box Transformation for UAV Object Detection
von: Wang, Tao, et al.
Veröffentlicht: (2026)

GaussianZoom: Progressive Zoom-in Generative 3D Gaussian Splatting with Geometric and Semantic Guidance
von: Shi, Jiale, et al.
Veröffentlicht: (2026)

MM-CondChain: A Programmatically Verified Benchmark for Visually Grounded Deep Compositional Reasoning
von: Shen, Haozhan, et al.
Veröffentlicht: (2026)

Physics‐Inspired Diffractive Neural Networks for Zooming Image Edge Detection
von: Weijie Chang, et al.
Veröffentlicht: (2025)

Seeing the Unseen: Zooming in the Dark with Event Cameras
von: Kai, Dachun, et al.
Veröffentlicht: (2026)

Zoom and Shift are All You Need
von: Qin, Jiahao
Veröffentlicht: (2024)

Equilibrium States for Random Zooming Systems
von: Bilbao, Rafael A., et al.
Veröffentlicht: (2023)

Equilibrium Stability for Open Zooming Systems
von: Bilbao, Rafael A., et al.
Veröffentlicht: (2025)

Equilibrium States for Open Zooming Systems
von: Santana, Eduardo
Veröffentlicht: (2020)

Zoom into Pre-School Story Hour.
von: Glaser, Ann, et al.
Veröffentlicht: (1982)