MMPerspective: Do MLLMs Understand Perspective? A Comprehensive Benchmark for Perspective Perception, Reasoning, and Robustness
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Tang, Yolo Y., Liu, Pinxin, Tan, Zhangyun, Feng, Mingqian, Mao, Rui, Huang, Chao, Bi, Jing, Xiao, Yunzhong, Liang, Susan, Hua, Hang, Vosoughi, Ali, Song, Luchuan, Zhang, Zeliang, Xu, Chenliang |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Can VLMs Truly Forget? Benchmarking Training-Free Visual Concept Unlearning
par: Tan, Zhangyun, et autres
Publié: (2026)
par: Tan, Zhangyun, et autres
Publié: (2026)
VidComposition: Can MLLMs Analyze Compositions in Compiled Videos?
par: Tang, Yolo Y., et autres
Publié: (2024)
par: Tang, Yolo Y., et autres
Publié: (2024)
Generative AI for Cel-Animation: A Survey
par: Tang, Yolo Y., et autres
Publié: (2025)
par: Tang, Yolo Y., et autres
Publié: (2025)
Empowering LLMs with Pseudo-Untrimmed Videos for Audio-Visual Temporal Understanding
par: Tang, Yolo Yunlong, et autres
Publié: (2024)
par: Tang, Yolo Yunlong, et autres
Publié: (2024)
Video Understanding with Large Language Models: A Survey
par: Tang, Yolo Y., et autres
Publié: (2023)
par: Tang, Yolo Y., et autres
Publié: (2023)
Caption Anything in Video: Fine-grained Object-centric Captioning via Spatiotemporal Multimodal Prompting
par: Tang, Yunlong, et autres
Publié: (2025)
par: Tang, Yunlong, et autres
Publié: (2025)
TDMM-LM: Bridging Facial Understanding and Animation via Language Models
par: Song, Luchuan, et autres
Publié: (2026)
par: Song, Luchuan, et autres
Publié: (2026)
Video-LMM Post-Training: A Deep Dive into Video Reasoning with Large Multimodal Models
par: Tang, Yolo Y., et autres
Publié: (2025)
par: Tang, Yolo Y., et autres
Publié: (2025)
Adaptive Super Resolution For One-Shot Talking-Head Generation
par: Song, Luchuan, et autres
Publié: (2024)
par: Song, Luchuan, et autres
Publié: (2024)
Omni-Judge: Can Omni-LLMs Serve as Human-Aligned Judges for Text-Conditioned Audio-Video Generation?
par: Liang, Susan, et autres
Publié: (2026)
par: Liang, Susan, et autres
Publié: (2026)
Can Sound Replace Vision in LLaVA With Token Substitution?
par: Vosoughi, Ali, et autres
Publié: (2025)
par: Vosoughi, Ali, et autres
Publié: (2025)
Do More Details Always Introduce More Hallucinations in LVLM-based Image Captioning?
par: Feng, Mingqian, et autres
Publié: (2024)
par: Feng, Mingqian, et autres
Publié: (2024)
VERIFY: A Benchmark of Visual Explanation and Reasoning for Investigating Multimodal Reasoning Fidelity
par: Bi, Jing, et autres
Publié: (2025)
par: Bi, Jing, et autres
Publié: (2025)
Video-R4: Reinforcing Text-Rich Video Reasoning with Visual Rumination
par: Tang, Yolo Y., et autres
Publié: (2025)
par: Tang, Yolo Y., et autres
Publié: (2025)
Rethinking Audio-Visual Adversarial Vulnerability from Temporal and Modality Perspectives
par: Zhang, Zeliang, et autres
Publié: (2025)
par: Zhang, Zeliang, et autres
Publié: (2025)
GestureLSM: Latent Shortcut based Co-Speech Gesture Generation with Spatial-Temporal Modeling
par: Liu, Pinxin, et autres
Publié: (2025)
par: Liu, Pinxin, et autres
Publié: (2025)
Tri$^{2}$-plane: Thinking Head Avatar via Feature Pyramid
par: Song, Luchuan, et autres
Publié: (2024)
par: Song, Luchuan, et autres
Publié: (2024)
TextToon: Real-Time Text Toonify Head Avatar from Single Video
par: Song, Luchuan, et autres
Publié: (2024)
par: Song, Luchuan, et autres
Publié: (2024)
$I^2G$: Generating Instructional Illustrations via Text-Conditioned Diffusion
par: Bi, Jing, et autres
Publié: (2025)
par: Bi, Jing, et autres
Publié: (2025)
Will the Inclusion of Generated Data Amplify Bias Across Generations in Future Image Classification Models?
par: Zhang, Zeliang, et autres
Publié: (2024)
par: Zhang, Zeliang, et autres
Publié: (2024)
EAGLE: Egocentric AGgregated Language-video Engine
par: Bi, Jing, et autres
Publié: (2024)
par: Bi, Jing, et autres
Publié: (2024)
OPENXRD: A Comprehensive Benchmark Framework for LLM/MLLM XRD Question Answering
par: Vosoughi, Ali, et autres
Publié: (2025)
par: Vosoughi, Ali, et autres
Publié: (2025)
Intentional Gesture: Deliver Your Intentions with Gestures for Speech
par: Liu, Pinxin, et autres
Publié: (2025)
par: Liu, Pinxin, et autres
Publié: (2025)
GaussianStyle: Gaussian Head Avatar via StyleGAN
par: Liu, Pinxin, et autres
Publié: (2024)
par: Liu, Pinxin, et autres
Publié: (2024)
Discover and Mitigate Multiple Biased Subgroups in Image Classifiers
par: Zhang, Zeliang, et autres
Publié: (2024)
par: Zhang, Zeliang, et autres
Publié: (2024)
Can CLIP Count Stars? An Empirical Study on Quantity Bias in CLIP
par: Zhang, Zeliang, et autres
Publié: (2024)
par: Zhang, Zeliang, et autres
Publié: (2024)
V2Xum-LLM: Cross-Modal Video Summarization with Temporal Prompt Instruction Tuning
par: Hua, Hang, et autres
Publié: (2024)
par: Hua, Hang, et autres
Publié: (2024)
Why Reasoning Matters? A Survey of Advancements in Multimodal Reasoning (v1)
par: Bi, Jing, et autres
Publié: (2025)
par: Bi, Jing, et autres
Publié: (2025)
Forward Learning with Differential Privacy
par: Feng, Mingqian, et autres
Publié: (2025)
par: Feng, Mingqian, et autres
Publié: (2025)
Diagnosing Visual Reasoning: Challenges, Insights, and a Path Forward
par: Bi, Jing, et autres
Publié: (2025)
par: Bi, Jing, et autres
Publié: (2025)
When to Think and When to Look: Uncertainty-Guided Lookback
par: Bi, Jing, et autres
Publié: (2025)
par: Bi, Jing, et autres
Publié: (2025)
Forward Learning for Gradient-based Black-box Saliency Map Generation
par: Zhang, Zeliang, et autres
Publié: (2024)
par: Zhang, Zeliang, et autres
Publié: (2024)
Do MLLMs Understand Pointing? Benchmarking and Enhancing Referential Reasoning in Egocentric Vision
par: Li, Chentao, et autres
Publié: (2026)
par: Li, Chentao, et autres
Publié: (2026)
MME-Reasoning: A Comprehensive Benchmark for Logical Reasoning in MLLMs
par: Yuan, Jiakang, et autres
Publié: (2025)
par: Yuan, Jiakang, et autres
Publié: (2025)
CaRDiff: Video Salient Object Ranking Chain of Thought Reasoning for Saliency Prediction with Diffusion
par: Tang, Yolo Yunlong, et autres
Publié: (2024)
par: Tang, Yolo Yunlong, et autres
Publié: (2024)
What to Do Next? Memorizing skills from Egocentric Instructional Video
par: Bi, Jing, et autres
Publié: (2025)
par: Bi, Jing, et autres
Publié: (2025)
Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images
par: Chen, Yuangong, et autres
Publié: (2026)
par: Chen, Yuangong, et autres
Publié: (2026)
Learning to Transform Dynamically for Better Adversarial Transferability
par: Zhu, Rongyi, et autres
Publié: (2024)
par: Zhu, Rongyi, et autres
Publié: (2024)
Do MLLMs Really Understand Space? A Mathematical Reasoning Evaluation
par: Lu, Shuo, et autres
Publié: (2026)
par: Lu, Shuo, et autres
Publié: (2026)
Seeing from Another Perspective: Evaluating Multi-View Understanding in MLLMs
par: Yeh, Chun-Hsiao, et autres
Publié: (2025)
par: Yeh, Chun-Hsiao, et autres
Publié: (2025)
Documents similaires
-
Can VLMs Truly Forget? Benchmarking Training-Free Visual Concept Unlearning
par: Tan, Zhangyun, et autres
Publié: (2026) -
VidComposition: Can MLLMs Analyze Compositions in Compiled Videos?
par: Tang, Yolo Y., et autres
Publié: (2024) -
Generative AI for Cel-Animation: A Survey
par: Tang, Yolo Y., et autres
Publié: (2025) -
Empowering LLMs with Pseudo-Untrimmed Videos for Audio-Visual Temporal Understanding
par: Tang, Yolo Yunlong, et autres
Publié: (2024) -
Video Understanding with Large Language Models: A Survey
par: Tang, Yolo Y., et autres
Publié: (2023)