Buchumschlag

TRISHUL: Towards Region Identification and Screen Hierarchy Understanding for Large VLM based GUI Agents

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Singh, Kunal, Singh, Shreyas, Khanna, Mukund
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LPO: Towards Accurate GUI Agent Interaction via Location Preference Optimization
von: Tang, Jiaqi, et al.
Veröffentlicht: (2025)

Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding
von: Kumbhar, Shrinidhi, et al.
Veröffentlicht: (2026)

Video2GUI: Synthesizing Large-Scale Interaction Trajectories for Generalized GUI Agent Pretraining
von: Xiong, Weimin, et al.
Veröffentlicht: (2026)

Visual Test-time Scaling for GUI Agent Grounding
von: Luo, Tiange, et al.
Veröffentlicht: (2025)

TrajPRed: Trajectory Prediction with Region-based Relation Learning
von: Zhou, Chen, et al.
Veröffentlicht: (2024)

ClawGUI: A Unified Framework for Training, Evaluating, and Deploying GUI Agents
von: Tang, Fei, et al.
Veröffentlicht: (2026)

MonoCon: A general framework for learning ultra-compact high-fidelity representations using monotonicity constraints
von: Gokhale, Shreyas
Veröffentlicht: (2025)

Co-Occurring of Object Detection and Identification towards unlabeled object discovery
von: Singh, Binay Kumar, et al.
Veröffentlicht: (2024)

Efficient Long-Horizon GUI Agents via Training-Free KV Cache Compression
von: Zhou, Bowen, et al.
Veröffentlicht: (2026)

UI-Voyager: A Self-Evolving GUI Agent Learning via Failed Experience
von: Lin, Zichuan, et al.
Veröffentlicht: (2026)

OmniParser for Pure Vision Based GUI Agent
von: Lu, Yadong, et al.
Veröffentlicht: (2024)

VLM Agents Generate Their Own Memories: Distilling Experience into Embodied Programs of Thought
von: Sarch, Gabriel, et al.
Veröffentlicht: (2024)

DivPrune: Diversity-based Visual Token Pruning for Large Multimodal Models
von: Alvar, Saeed Ranjbar, et al.
Veröffentlicht: (2025)

Efficient Multi-turn RL for GUI Agents via Decoupled Training and Adaptive Data Curation
von: Li, Pengxiang, et al.
Veröffentlicht: (2025)

When Less Is More: Simplicity Beats Complexity for Physics-Constrained InSAR Phase Unwrapping
von: Singh, Prabhjot, et al.
Veröffentlicht: (2026)

Exp-Graph: How Connections Learn Facial Attributes in Graph-based Expression Recognition
von: Sharma, Nandani, et al.
Veröffentlicht: (2025)

Advanced Gesture Recognition for Autism Spectrum Disorder Detection: Integrating YOLOv7, Video Augmentation, and VideoMAE for Naturalistic Video Analysis
von: Singh, Amit Kumar, et al.
Veröffentlicht: (2024)

LlavaGuard: An Open VLM-based Framework for Safeguarding Vision Datasets and Models
von: Helff, Lukas, et al.
Veröffentlicht: (2024)

Auto-scaling Continuous Memory for GUI Agent
von: Wu, Wenyi, et al.
Veröffentlicht: (2025)

VideoScaffold: Elastic-Scale Visual Hierarchies for Streaming Video Understanding in MLLMs
von: Zheng, Naishan, et al.
Veröffentlicht: (2025)

NeuroVLM-Bench: Evaluation of Vision-Enabled Large Language Models for Clinical Reasoning in Neurological Disorders
von: Dineva, Katarina Trojachanec, et al.
Veröffentlicht: (2026)

ToolTok: Tool Tokenization for Efficient and Generalizable GUI Agents
von: Wang, Xiaoce, et al.
Veröffentlicht: (2026)

Less is More: Empowering GUI Agent with Context-Aware Simplification
von: Chen, Gongwei, et al.
Veröffentlicht: (2025)

GUI-ARP: Enhancing Grounding with Adaptive Region Perception for GUI Agents
von: Ye, Xianhang, et al.
Veröffentlicht: (2025)

GUI-Bee: Align GUI Action Grounding to Novel Environments via Autonomous Exploration
von: Fan, Yue, et al.
Veröffentlicht: (2025)

DohaScript: A Large-Scale Multi-Writer Dataset for Continuous Handwritten Hindi Text
von: Singh, Kunwar Arpit, et al.
Veröffentlicht: (2026)

HCR-Net: A deep learning based script independent handwritten character recognition network
von: Chauhan, Vinod Kumar, et al.
Veröffentlicht: (2021)

ChimpVLM: Ethogram-Enhanced Chimpanzee Behaviour Recognition
von: Brookes, Otto, et al.
Veröffentlicht: (2024)

Robust CLIP: Unsupervised Adversarial Fine-Tuning of Vision Embeddings for Robust Large Vision-Language Models
von: Schlarmann, Christian, et al.
Veröffentlicht: (2024)

DSCA: Dynamic Subspace Concept Alignment for Lifelong VLM Editing
von: Das, Gyanendra, et al.
Veröffentlicht: (2026)

FastVLM: Efficient Vision Encoding for Vision Language Models
von: Vasu, Pavan Kumar Anasosalu, et al.
Veröffentlicht: (2024)

From Logits to Hierarchies: Hierarchical Clustering made Simple
von: Palumbo, Emanuele, et al.
Veröffentlicht: (2024)

Learning Superpixel Ensemble and Hierarchy Graphs for Melanoma Detection
von: Elwer, Asmaa M., et al.
Veröffentlicht: (2026)

Generative AI in Vision: A Survey on Models, Metrics and Applications
von: Raut, Gaurav, et al.
Veröffentlicht: (2024)

Edge AI: Evaluation of Model Compression Techniques for Convolutional Neural Networks
von: Francy, Samer, et al.
Veröffentlicht: (2024)

A Recipe for Improving Remote Sensing VLM Zero Shot Generalization
von: Barzilai, Aviad, et al.
Veröffentlicht: (2025)

Breaking Down the Hierarchy: A New Approach to Leukemia Classification
von: Hamdi, Ibraheem, et al.
Veröffentlicht: (2025)

Towards Understanding and Quantifying Uncertainty for Text-to-Image Generation
von: Franchi, Gianni, et al.
Veröffentlicht: (2024)

Towards Generalisable Time Series Understanding Across Domains
von: Turgut, Özgün, et al.
Veröffentlicht: (2024)

Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals
von: Saha, Pramit, et al.
Veröffentlicht: (2026)