Buchumschlag

Demystifying the Visual Quality Paradox in Multimodal Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xing, Shuo, Guo, Lanqing, Hua, Hongyuan, Lee, Seoyoung, Li, Peiran, Wang, Yufei, Wang, Zhangyang, Tu, Zhengzhong
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CIPHER: Culvert Inspection through Pairwise Frame Selection and High-Efficiency Reconstruction
von: Lee, Seoyoung, et al.
Veröffentlicht: (2026)

OpenEMMA: Open-Source Multimodal Model for End-to-End Autonomous Driving
von: Xing, Shuo, et al.
Veröffentlicht: (2024)

AutoTrust: Benchmarking Trustworthiness in Large Vision Language Models for Autonomous Driving
von: Xing, Shuo, et al.
Veröffentlicht: (2024)

DecAlign: Hierarchical Cross-Modal Alignment for Decoupled Multimodal Representation Learning
von: Qian, Chengxuan, et al.
Veröffentlicht: (2025)

Re-Align: Aligning Vision Language Models via Retrieval-Augmented Direct Preference Optimization
von: Xing, Shuo, et al.
Veröffentlicht: (2025)

Mastering Regional 3DGS: Locating, Initializing, and Editing with Diverse 2D Priors
von: Guo, Lanqing, et al.
Veröffentlicht: (2025)

Can Large Vision Language Models Read Maps Like a Human?
von: Xing, Shuo, et al.
Veröffentlicht: (2025)

Let the Abyss Stare Back Adaptive Falsification for Autonomous Scientific Discovery
von: Li, Peiran, et al.
Veröffentlicht: (2026)

Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method
von: Zheng, Yan, et al.
Veröffentlicht: (2024)

Q-Router: Agentic Video Quality Assessment with Expert Model Routing and Artifact Localization
von: Xing, Shuo, et al.
Veröffentlicht: (2025)

Training-Free Text-Guided Image Editing with Visual Autoregressive Model
von: Wang, Yufei, et al.
Veröffentlicht: (2025)

Unraveling Cross-Modality Knowledge Conflicts in Large Vision-Language Models
von: Zhu, Tinghui, et al.
Veröffentlicht: (2024)

Seeing Where to Deploy: Metric RGB-Based Traversability Analysis for Aerial-to-Ground Hidden Space Inspection
von: Lee, Seoyoung, et al.
Veröffentlicht: (2026)

Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation
von: Zhu, Xingyu, et al.
Veröffentlicht: (2026)

Scale Where It Matters: Training-Free Localized Scaling for Diffusion Models
von: Ren, Qin, et al.
Veröffentlicht: (2025)

Controlling Your Image via Simplified Vector Graphics
von: Guo, Lanqing, et al.
Veröffentlicht: (2026)

Beyond Thinking: Imagining in 360$^\circ$ for Humanoid Visual Search
von: Zhang, Jingdong, et al.
Veröffentlicht: (2026)

Expressive Gaussian Human Avatars from Monocular RGB Video
von: Hu, Hezhen, et al.
Veröffentlicht: (2024)

FMBench: Benchmarking Fairness in Multimodal Large Language Models on Medical Tasks
von: Wu, Peiran, et al.
Veröffentlicht: (2024)

ST-Think: How Multimodal Large Language Models Reason About 4D Worlds from Ego-Centric Videos
von: Wu, Peiran, et al.
Veröffentlicht: (2025)

VQualA 2025 Challenge on Visual Quality Comparison for Large Multimodal Models: Methods and Results
von: Zhu, Hanwei, et al.
Veröffentlicht: (2025)

Visual Question Answering Instruction: Unlocking Multimodal Large Language Model To Domain-Specific Visual Multitasks
von: Lee, Jusung, et al.
Veröffentlicht: (2024)

GeM-VG: Towards Generalized Multi-image Visual Grounding with Multimodal Large Language Models
von: Zheng, Shurong, et al.
Veröffentlicht: (2026)

TokenCarve: Information-Preserving Visual Token Compression in Multimodal Large Language Models
von: Tan, Xudong, et al.
Veröffentlicht: (2025)

HumanNOVA: Photorealistic, Universal and Rapid 3D Human Avatar Modeling from a Single Image
von: Hu, Hezhen, et al.
Veröffentlicht: (2026)

GuideSR: Rethinking Guidance for One-Step High-Fidelity Diffusion-Based Super-Resolution
von: Arora, Aditya, et al.
Veröffentlicht: (2025)

Griffon-G: Bridging Vision-Language and Vision-Centric Tasks via Large Multimodal Models
von: Zhan, Yufei, et al.
Veröffentlicht: (2024)

Understand, Think, and Answer: Advancing Visual Reasoning with Large Multimodal Models
von: Zhan, Yufei, et al.
Veröffentlicht: (2025)

HeadsUp! High-Fidelity Portrait Image Super-Resolution
von: Li, Renjie, et al.
Veröffentlicht: (2025)

Seeing is Believing? Mitigating OCR Hallucinations in Multimodal Large Language Models
von: He, Zhentao, et al.
Veröffentlicht: (2025)

Exploring Implicit Visual Misunderstandings in Multimodal Large Language Models through Attention Analysis
von: Wang, Pengfei, et al.
Veröffentlicht: (2025)

MusiXQA: Advancing Visual Music Understanding in Multimodal Large Language Models
von: Chen, Jian, et al.
Veröffentlicht: (2025)

T2T-VICL: Unlocking the Boundaries of Cross-Task Visual In-Context Learning via Implicit Text-Driven VLMs
von: Xia, Shao-Jun, et al.
Veröffentlicht: (2025)

Frequency-Modulated Visual Restoration for Matryoshka Large Multimodal Models
von: Pan, Qingtao, et al.
Veröffentlicht: (2026)

Defending Multimodal Backdoored Models by Repulsive Visual Prompt Tuning
von: Zhang, Zhifang, et al.
Veröffentlicht: (2024)

Introducing Visual Perception Token into Multimodal Large Language Model
von: Yu, Runpeng, et al.
Veröffentlicht: (2025)

Bringing Multimodal Large Language Models to Infrared-Visible Image Fusion Quality Assessment
von: Guo, Yuchen, et al.
Veröffentlicht: (2026)

DUALVISION: RGB-Infrared Multimodal Large Language Models for Robust Visual Reasoning
von: Majeedi, Abrar, et al.
Veröffentlicht: (2026)

Improving Visual Storytelling with Multimodal Large Language Models
von: Lin, Xiaochuan, et al.
Veröffentlicht: (2024)

Visual Representation Alignment for Multimodal Large Language Models
von: Yoon, Heeji, et al.
Veröffentlicht: (2025)