Buchumschlag

Judge a Book by its Cover: Investigating Multi-Modal LLMs for Multi-Page Handwritten Document Transcription

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gutteridge, Benjamin, Jackson, Matthew Thomas, Kukurin, Toni, Dong, Xiaowen
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SimpleDoc: Multi-Modal Document Understanding with Dual-Cue Page Retrieval and Iterative Refinement
von: Jain, Chelsi, et al.
Veröffentlicht: (2025)

ProJudge: A Multi-Modal Multi-Discipline Benchmark and Instruction-Tuning Dataset for MLLM-based Process Judges
von: Ai, Jiaxin, et al.
Veröffentlicht: (2025)

Robustness Evaluation of OCR-based Visual Document Understanding under Multi-Modal Adversarial Attacks
von: Tien, Dong Nguyen, et al.
Veröffentlicht: (2025)

InkFM: A Foundational Model for Full-Page Online Handwritten Note Understanding
von: Fadeeva, Anastasiia, et al.
Veröffentlicht: (2025)

DocR1: Evidence Page-Guided GRPO for Multi-Page Document Understanding
von: Xiong, Junyu, et al.
Veröffentlicht: (2025)

Seeing the Big Picture: Evaluating Multimodal LLMs' Ability to Interpret and Grade Handwritten Student Work
von: Henkel, Owen, et al.
Veröffentlicht: (2025)

Calibrating Uncertainty Quantification of Multi-Modal LLMs using Grounding
von: Padhi, Trilok, et al.
Veröffentlicht: (2025)

Handwritten Text Recognition: A Survey
von: Garrido-Munoz, Carlos, et al.
Veröffentlicht: (2025)

PLATTER: A Page-Level Handwritten Text Recognition System for Indic Scripts
von: Kasuba, Badri Vishal, et al.
Veröffentlicht: (2025)

Beyond CNNs: Efficient Fine-Tuning of Multi-Modal LLMs for Object Detection on Low-Data Regimes
von: Elamon, Nirmal, et al.
Veröffentlicht: (2025)

Hydra-Bench: A Benchmark for Multi-Modal Leaf Wetness Sensing
von: Liu, Yimeng, et al.
Veröffentlicht: (2025)

End-to-End Multi-Modal Diffusion Mamba
von: Lu, Chunhao, et al.
Veröffentlicht: (2025)

MMPB: It's Time for Multi-Modal Personalization
von: Kim, Jaeik, et al.
Veröffentlicht: (2025)

Multi-Modal Foundation Models for Computational Pathology: A Survey
von: Li, Dong, et al.
Veröffentlicht: (2025)

Use of Metric Learning for the Recognition of Handwritten Digits, and its Application to Increase the Outreach of Voice-based Communication Platforms
von: Pant, Devesh, et al.
Veröffentlicht: (2025)

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

MMHMER:Multi-viewer and Multi-task for Handwritten Mathematical Expression Recognition
von: Chen, Kehua, et al.
Veröffentlicht: (2025)

ProReason: Multi-Modal Proactive Reasoning with Decoupled Eyesight and Wisdom
von: Zhou, Jingqi, et al.
Veröffentlicht: (2024)

μgat: Improving Single-Page Document Parsing by Providing Multi-Page Context
von: Quattrini, Fabio, et al.
Veröffentlicht: (2024)

M3D-BFS: a Multi-stage Dynamic Fusion Strategy for Sample-Adaptive Multi-Modal Brain Network Analysis
von: Dong, Rui, et al.
Veröffentlicht: (2026)

AIM: Adaptive Inference of Multi-Modal LLMs via Token Merging and Pruning
von: Zhong, Yiwu, et al.
Veröffentlicht: (2024)

Hydra: Accurate Multi-Modal Leaf Wetness Sensing with mm-Wave and Camera Fusion
von: Liu, Yimeng, et al.
Veröffentlicht: (2025)

A Unified Model for Longitudinal Multi-Modal Multi-View Prediction with Missingness
von: Chen, Boqi, et al.
Veröffentlicht: (2024)

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

Learning Progressive Adaptation for Multi-Modal Tracking
von: Wang, He, et al.
Veröffentlicht: (2026)

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

MM-R5: MultiModal Reasoning-Enhanced ReRanker via Reinforcement Learning for Document Retrieval
von: Xu, Mingjun, et al.
Veröffentlicht: (2025)

Towards Scalable Training for Handwritten Mathematical Expression Recognition
von: Li, Haoyang, et al.
Veröffentlicht: (2025)

PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification
von: Zheng, Huiling, et al.
Veröffentlicht: (2025)

MMXU: A Multi-Modal and Multi-X-ray Understanding Dataset for Disease Progression
von: Mu, Linjie, et al.
Veröffentlicht: (2025)

DPO Learning with LLMs-Judge Signal for Computer Use Agents
von: Luo, Man, et al.
Veröffentlicht: (2025)

MultiOOD: Scaling Out-of-Distribution Detection for Multiple Modalities
von: Dong, Hao, et al.
Veröffentlicht: (2024)

Enhanced OoD Detection through Cross-Modal Alignment of Multi-Modal Representations
von: Kim, Jeonghyeon, et al.
Veröffentlicht: (2025)

MammothModa: Multi-Modal Large Language Model
von: She, Qi, et al.
Veröffentlicht: (2024)

Multi-Prompt with Depth Partitioned Cross-Modal Learning
von: Tian, Yingjie, et al.
Veröffentlicht: (2023)

Unveiling Ontological Commitment in Multi-Modal Foundation Models
von: Keser, Mert, et al.
Veröffentlicht: (2024)

A Generalized Multi-Modal Fusion Detection Framework
von: Cui, Leichao, et al.
Veröffentlicht: (2023)

Handheld Video Document Scanning: A Robust On-Device Model for Multi-Page Document Scanning
von: Wigington, Curtis
Veröffentlicht: (2024)

Multi-modal Generative AI: Multi-modal LLMs, Diffusions, and the Unification
von: Wang, Xin, et al.
Veröffentlicht: (2024)

VATr++: Choose Your Words Wisely for Handwritten Text Generation
von: Vanherle, Bram, et al.
Veröffentlicht: (2024)