Buchumschlag

AV-Reasoner: Improving and Benchmarking Clue-Grounded Audio-Visual Counting for MLLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Lidong, Chen, Guo, Li, Zhiqi, Liu, Yicheng, Lu, Tong
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Visual Affordance from Audio
von: Lu, Lidong, et al.
Veröffentlicht: (2025)

Seek-and-Solve: Benchmarking MLLMs for Visual Clue-Driven Reasoning in Daily Scenarios
von: Li, Xiaomin, et al.
Veröffentlicht: (2026)

CG-Bench: Clue-grounded Question Answering Benchmark for Long Video Understanding
von: Chen, Guo, et al.
Veröffentlicht: (2024)

Visual Jigsaw Post-Training Improves MLLMs
von: Wu, Penghao, et al.
Veröffentlicht: (2025)

TraceAV-Bench: Benchmarking Multi-Hop Trajectory Reasoning over Long Audio-Visual Videos
von: Feng, Hengyi, et al.
Veröffentlicht: (2026)

Improving the Reasoning of Multi-Image Grounding in MLLMs via Reinforcement Learning
von: Zhang, Bob, et al.
Veröffentlicht: (2025)

Clue Matters: Leveraging Latent Visual Clues to Empower Video Reasoning
von: zhang, Kaixin, et al.
Veröffentlicht: (2026)

Visual Reasoning Tracer: Object-Level Grounded Reasoning Benchmark
von: Yuan, Haobo, et al.
Veröffentlicht: (2025)

VisualQuest: A Benchmark for Abstract Visual Reasoning in MLLMs
von: Xiao, Kelaiti, et al.
Veröffentlicht: (2025)

AVFakeBench: A Comprehensive Audio-Video Forgery Detection Benchmark for AV-LMMs
von: Xia, Shuhan, et al.
Veröffentlicht: (2025)

CAE-AV: Improving Audio-Visual Learning via Cross-modal Interactive Enrichment
von: Hu, Yunzuo, et al.
Veröffentlicht: (2026)

CameraBench: Benchmarking Visual Reasoning in MLLMs via Photography
von: Fang, I-Sheng, et al.
Veröffentlicht: (2025)

Answering Diverse Questions via Text Attached with Key Audio-Visual Clues
von: Ye, Qilang, et al.
Veröffentlicht: (2024)

EgoExoBench: A Benchmark for First- and Third-person View Video Understanding in MLLMs
von: He, Yuping, et al.
Veröffentlicht: (2025)

Can Textual Reasoning Improve the Performance of MLLMs on Fine-grained Visual Classification?
von: Zhu, Jie, et al.
Veröffentlicht: (2026)

MC-Bench: A Benchmark for Multi-Context Visual Grounding in the Era of MLLMs
von: Xu, Yunqiu, et al.
Veröffentlicht: (2024)

Can MLLMs Reason Beyond Language? VisReason: A Comprehensive Benchmark for Vision-Centric Reasoning
von: Guo, Longteng, et al.
Veröffentlicht: (2026)

CodePercept: Code-Grounded Visual STEM Perception for MLLMs
von: Guan, Tongkun, et al.
Veröffentlicht: (2026)

Driving with InternVL: Oustanding Champion in the Track on Driving with Language of the Autonomous Grand Challenge at CVPR 2024
von: Li, Jiahan, et al.
Veröffentlicht: (2024)

MME-Reasoning: A Comprehensive Benchmark for Logical Reasoning in MLLMs
von: Yuan, Jiakang, et al.
Veröffentlicht: (2025)

STORM: Benchmarking Visual Rating of MLLMs with a Comprehensive Ordinal Regression Dataset
von: Wang, Jinhong, et al.
Veröffentlicht: (2025)

ImagineMap: Enhanced HD Map Construction with SD Maps
von: Ji, Yishen, et al.
Veröffentlicht: (2024)

LongAV-Compass: Towards Unified Evaluation of Minute-Scale Audio-Visual Generation Across T2AV, I2AV, and V2AV
von: Liu, Tengfei, et al.
Veröffentlicht: (2026)

AV-DiT: Efficient Audio-Visual Diffusion Transformer for Joint Audio and Video Generation
von: Wang, Kai, et al.
Veröffentlicht: (2024)

GroundingME: Exposing the Visual Grounding Gap in MLLMs through Multi-Dimensional Evaluation
von: Li, Rang, et al.
Veröffentlicht: (2025)

AV-Deepfake1M++: A Large-Scale Audio-Visual Deepfake Benchmark with Real-World Perturbations
von: Cai, Zhixi, et al.
Veröffentlicht: (2025)

AbductiveMLLM: Boosting Visual Abductive Reasoning Within MLLMs
von: Chang, Boyu, et al.
Veröffentlicht: (2026)

Benchmarking Large and Small MLLMs
von: Feng, Xuelu, et al.
Veröffentlicht: (2025)

AV-Flow: Transforming Text to Audio-Visual Human-like Interactions
von: Chatziagapi, Aggelina, et al.
Veröffentlicht: (2025)

Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline
von: Chen, Guo, et al.
Veröffentlicht: (2026)

When Eyes and Ears Disagree: Can MLLMs Discern Audio-Visual Confusion?
von: Ye, Qilang, et al.
Veröffentlicht: (2025)

AV-RIR: Audio-Visual Room Impulse Response Estimation
von: Ratnarajah, Anton, et al.
Veröffentlicht: (2023)

Cube Bench: A Benchmark for Spatial Visual Reasoning in MLLMs
von: Anand, Dhruv, et al.
Veröffentlicht: (2025)

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

AutoVQA-G: Self-Improving Agentic Framework for Automated Visual Question Answering and Grounding Annotation
von: Hu, Rongsheng, et al.
Veröffentlicht: (2026)

DeepScan: A Training-Free Framework for Visually Grounded Reasoning in Large Vision-Language Models
von: Li, Yangfu, et al.
Veröffentlicht: (2026)

SparseMM: Head Sparsity Emerges from Visual Concept Responses in MLLMs
von: Wang, Jiahui, et al.
Veröffentlicht: (2025)

POINTS-Long: Adaptive Dual-Mode Visual Reasoning in MLLMs
von: Wang, Haicheng, et al.
Veröffentlicht: (2026)

Seeing is Believing: Rich-Context Hallucination Detection for MLLMs via Backward Visual Grounding
von: Guo, Pinxue, et al.
Veröffentlicht: (2025)

R-AVST: Empowering Video-LLMs with Fine-Grained Spatio-Temporal Reasoning in Complex Audio-Visual Scenarios
von: Zhu, Lu, et al.
Veröffentlicht: (2025)