MusiXQA: Advancing Visual Music Understanding in Multimodal Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Chen, Jian, Ma, Wenye, Liu, Penghang, Wang, Wei, Song, Tengwei, Li, Ming, Wang, Chenguang, Qin, Jiayu, Zhang, Ruiyi, Chen, Changyou |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
VisR-Bench: An Empirical Study on Visual Retrieval-Augmented Generation for Multilingual Long Document Understanding
par: Chen, Jian, et autres
Publié: (2025)
par: Chen, Jian, et autres
Publié: (2025)
Towards Visual Text Grounding of Multimodal Large Language Model
par: Li, Ming, et autres
Publié: (2025)
par: Li, Ming, et autres
Publié: (2025)
MMR: Evaluating Reading Ability of Large Multimodal Models
par: Chen, Jian, et autres
Publié: (2024)
par: Chen, Jian, et autres
Publié: (2024)
LLaVA-Read: Enhancing Reading Ability of Multimodal Language Models
par: Zhang, Ruiyi, et autres
Publié: (2024)
par: Zhang, Ruiyi, et autres
Publié: (2024)
DriveXQA: Cross-modal Visual Question Answering for Adverse Driving Scene Understanding
par: Tao, Mingzhe, et autres
Publié: (2026)
par: Tao, Mingzhe, et autres
Publié: (2026)
MusiLingo: Bridging Music and Text with Pre-trained Language Models for Music Captioning and Query Response
par: Deng, Zihao, et autres
Publié: (2023)
par: Deng, Zihao, et autres
Publié: (2023)
TRINS: Towards Multimodal Language Models that Can Read
par: Zhang, Ruiyi, et autres
Publié: (2024)
par: Zhang, Ruiyi, et autres
Publié: (2024)
NOTA: Multimodal Music Notation Understanding for Visual Large Language Model
par: Tang, Mingni, et autres
Publié: (2025)
par: Tang, Mingni, et autres
Publié: (2025)
Per Musi
Publié: (2012)
Publié: (2012)
Multimodal LLMs as Customized Reward Models for Text-to-Image Generation
par: Zhou, Shijie, et autres
Publié: (2025)
par: Zhou, Shijie, et autres
Publié: (2025)
TextLap: Customizing Language Models for Text-to-Layout Planning
par: Chen, Jian, et autres
Publié: (2024)
par: Chen, Jian, et autres
Publié: (2024)
KV-CoRE: Benchmarking Data-Dependent Low-Rank Compressibility of KV-Caches in LLMs
par: Chen, Jian, et autres
Publié: (2026)
par: Chen, Jian, et autres
Publié: (2026)
A High-Quality Text-Rich Image Instruction Tuning Dataset via Hybrid Instruction Generation
par: Zhou, Shijie, et autres
Publié: (2024)
par: Zhou, Shijie, et autres
Publié: (2024)
Understand, Think, and Answer: Advancing Visual Reasoning with Large Multimodal Models
par: Zhan, Yufei, et autres
Publié: (2025)
par: Zhan, Yufei, et autres
Publié: (2025)
MusiConGen: Rhythm and Chord Control for Transformer-Based Text-to-Music Generation
par: Lan, Yun-Han, et autres
Publié: (2024)
par: Lan, Yun-Han, et autres
Publié: (2024)
SV-RAG: LoRA-Contextualizing Adaptation of MLLMs for Long Document Understanding
par: Chen, Jian, et autres
Publié: (2024)
par: Chen, Jian, et autres
Publié: (2024)
Uncertainty-Aware Knowledge Distillation for Multimodal Large Language Models
par: Sun, Jingchen, et autres
Publié: (2026)
par: Sun, Jingchen, et autres
Publié: (2026)
Towards Aligned Layout Generation via Diffusion Model with Aesthetic Constraints
par: Chen, Jian, et autres
Publié: (2024)
par: Chen, Jian, et autres
Publié: (2024)
Advancing the Foundation Model for Music Understanding
par: Jiang, Yi, et autres
Publié: (2025)
par: Jiang, Yi, et autres
Publié: (2025)
MMC: Advancing Multimodal Chart Understanding with Large-scale Instruction Tuning
par: Liu, Fuxiao, et autres
Publié: (2023)
par: Liu, Fuxiao, et autres
Publié: (2023)
GUI-AIMA: Aligning Intrinsic Multimodal Attention with a Context Anchor for GUI Grounding
par: Zhou, Shijie, et autres
Publié: (2025)
par: Zhou, Shijie, et autres
Publié: (2025)
MusiScene: Leveraging MU-LLaMA for Scene Imagination and Enhanced Video Background Music Generation
par: Izzati, Fathinah, et autres
Publié: (2025)
par: Izzati, Fathinah, et autres
Publié: (2025)
M2-Encoder: Advancing Bilingual Image-Text Understanding by Large-scale Efficient Pretraining
par: Guo, Qingpei, et autres
Publié: (2024)
par: Guo, Qingpei, et autres
Publié: (2024)
Mozualization: Crafting Music and Visual Representation with Multimodal AI
par: Xu, Wanfang, et autres
Publié: (2025)
par: Xu, Wanfang, et autres
Publié: (2025)
A remark on isolated removable singularity of harmonic maps in dimension two
par: Wang, Changyou
Publié: (2025)
par: Wang, Changyou
Publié: (2025)
Robust Knowledge Graph Embedding via Denoising
par: Song, Tengwei, et autres
Publié: (2025)
par: Song, Tengwei, et autres
Publié: (2025)
Visual Thoughts: A Unified Perspective of Understanding Multimodal Chain-of-Thought
par: Cheng, Zihui, et autres
Publié: (2025)
par: Cheng, Zihui, et autres
Publié: (2025)
KGOT: Unified Knowledge Graph and Optimal Transport Pseudo-Labeling for Molecule-Protein Interaction Prediction
par: Qin, Jiayu, et autres
Publié: (2025)
par: Qin, Jiayu, et autres
Publié: (2025)
CaughtCheating: Is Your MLLM a Good Cheating Detective? Exploring the Boundary of Visual Perception and Reasoning
par: Li, Ming, et autres
Publié: (2025)
par: Li, Ming, et autres
Publié: (2025)
Gene-associated Disease Discovery Powered by Large Language Models
par: Chang, Jiayu, et autres
Publié: (2024)
par: Chang, Jiayu, et autres
Publié: (2024)
Introducing Visual Perception Token into Multimodal Large Language Model
par: Yu, Runpeng, et autres
Publié: (2025)
par: Yu, Runpeng, et autres
Publié: (2025)
Unified Molecule Pre-training with Flexible 2D and 3D Modalities: Single and Paired Modality Integration
par: Song, Tengwei, et autres
Publié: (2025)
par: Song, Tengwei, et autres
Publié: (2025)
M4U: Evaluating Multilingual Understanding and Reasoning for Large Multimodal Models
par: Wang, Hongyu, et autres
Publié: (2024)
par: Wang, Hongyu, et autres
Publié: (2024)
MusiCRS: Benchmarking Audio-Centric Conversational Recommendation
par: Surana, Rohan, et autres
Publié: (2025)
par: Surana, Rohan, et autres
Publié: (2025)
OddGridBench: Exposing the Lack of Fine-Grained Visual Discrepancy Sensitivity in Multimodal Large Language Models
par: Weng, Tengjin, et autres
Publié: (2026)
par: Weng, Tengjin, et autres
Publié: (2026)
ST$^3$: Accelerating Multimodal Large Language Model by Spatial-Temporal Visual Token Trimming
par: Zhuang, Jiedong, et autres
Publié: (2024)
par: Zhuang, Jiedong, et autres
Publié: (2024)
Measuring Social Norms of Large Language Models
par: Yuan, Ye, et autres
Publié: (2024)
par: Yuan, Ye, et autres
Publié: (2024)
Scaling the Long Video Understanding of Multimodal Large Language Models via Visual Memory Mechanism
par: Chen, Tao, et autres
Publié: (2026)
par: Chen, Tao, et autres
Publié: (2026)
Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements
par: Zhou, Shijie, et autres
Publié: (2024)
par: Zhou, Shijie, et autres
Publié: (2024)
Predictive Regularization Against Visual Representation Degradation in Multimodal Large Language Models
par: Wang, Enguang, et autres
Publié: (2026)
par: Wang, Enguang, et autres
Publié: (2026)
Documents similaires
-
VisR-Bench: An Empirical Study on Visual Retrieval-Augmented Generation for Multilingual Long Document Understanding
par: Chen, Jian, et autres
Publié: (2025) -
Towards Visual Text Grounding of Multimodal Large Language Model
par: Li, Ming, et autres
Publié: (2025) -
MMR: Evaluating Reading Ability of Large Multimodal Models
par: Chen, Jian, et autres
Publié: (2024) -
LLaVA-Read: Enhancing Reading Ability of Multimodal Language Models
par: Zhang, Ruiyi, et autres
Publié: (2024) -
DriveXQA: Cross-modal Visual Question Answering for Adverse Driving Scene Understanding
par: Tao, Mingzhe, et autres
Publié: (2026)