Buchumschlag

R-VLM: Region-Aware Vision Language Model for Precise GUI Grounding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Park, Joonhyung, Tang, Peng, Das, Sagnik, Appalaraju, Srikar, Singh, Kunwar Yashraj, Manmatha, R., Ghadar, Shabnam
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

Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding
von: Kumbhar, Shrinidhi, et al.
Veröffentlicht: (2026)

Enhancing Vision-Language Pre-training with Rich Supervisions
von: Gao, Yuan, et al.
Veröffentlicht: (2024)

Synthesize Step-by-Step: Tools, Templates and LLMs as Data Generators for Reasoning-Based Chart VQA
von: Li, Zhuowan, et al.
Veröffentlicht: (2024)

VisFocus: Prompt-Guided Vision Encoders for OCR-Free Dense Document Understanding
von: Abramovich, Ofir, et al.
Veröffentlicht: (2024)

DocKD: Knowledge Distillation from LLMs for Open-World Document Understanding Models
von: Kim, Sungnyun, et al.
Veröffentlicht: (2024)

RAVEN: Multitask Retrieval Augmented Vision-Language Learning
von: Rao, Varun Nagaraj, et al.
Veröffentlicht: (2024)

CollabVR: Collaborative Video Reasoning with Vision-Language and Video Generation Models
von: Kim, Joowon, et al.
Veröffentlicht: (2026)

TRISHUL: Towards Region Identification and Screen Hierarchy Understanding for Large VLM based GUI Agents
von: Singh, Kunal, et al.
Veröffentlicht: (2025)

Unveiling the Response of Large Vision-Language Models to Visually Absent Tokens
von: Kim, Sohee, et al.
Veröffentlicht: (2025)

GUI-ARP: Enhancing Grounding with Adaptive Region Perception for GUI Agents
von: Ye, Xianhang, et al.
Veröffentlicht: (2025)

GUI-C$^2$: Coarse-to-Fine GUI Grounding via Difficulty-Aware Reinforcement Learning
von: Li, Junlong, et al.
Veröffentlicht: (2026)

POINTS-GUI-G: GUI-Grounding Journey
von: Zhao, Zhongyin, et al.
Veröffentlicht: (2026)

Language-Grounded Multi-Domain Image Translation via Semantic Difference Guidance
von: Ryu, Jongwon, et al.
Veröffentlicht: (2026)

Test-Time Reinforcement Learning for GUI Grounding via Region Consistency
von: Du, Yong, et al.
Veröffentlicht: (2025)

AutoFocus: Uncertainty-Aware Active Visual Search for GUI Grounding
von: Yao, Ruilin, et al.
Veröffentlicht: (2026)

Bi-VLM: Pushing Ultra-Low Precision Post-Training Quantization Boundaries in Vision-Language Models
von: Wang, Xijun, et al.
Veröffentlicht: (2025)

VLM4D: Towards Spatiotemporal Awareness in Vision Language Models
von: Zhou, Shijie, et al.
Veröffentlicht: (2025)

GUI-R1 : A Generalist R1-Style Vision-Language Action Model For GUI Agents
von: Luo, Run, et al.
Veröffentlicht: (2025)

VLM-R1: A Stable and Generalizable R1-style Large Vision-Language Model
von: Shen, Haozhan, et al.
Veröffentlicht: (2025)

TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation
von: Liu, Jiaxing, et al.
Veröffentlicht: (2026)

StateVLM: A State-Aware Vision-Language Model for Robotic Affordance Reasoning
von: Sun, Xiaowen, et al.
Veröffentlicht: (2026)

MedSPOT: A Workflow-Aware Sequential Grounding Benchmark for Clinical GUI
von: Shakeel, Rozain, et al.
Veröffentlicht: (2026)

Q-VLM: Post-training Quantization for Large Vision-Language Models
von: Wang, Changyuan, et al.
Veröffentlicht: (2024)

AdaZoom-GUI: Adaptive Zoom-based GUI Grounding with Instruction Refinement
von: Pei, Siqi, et al.
Veröffentlicht: (2026)

V-Zen: Efficient GUI Understanding and Precise Grounding With A Novel Multimodal LLM
von: Rahman, Abdur, et al.
Veröffentlicht: (2024)

VLM-HOI: Vision Language Models for Interpretable Human-Object Interaction Analysis
von: Kang, Donggoo, et al.
Veröffentlicht: (2024)

ZonUI-3B: A Lightweight Vision-Language Model for Cross-Resolution GUI Grounding
von: Hsieh, ZongHan, et al.
Veröffentlicht: (2025)

AutoGUI: Scaling GUI Grounding with Automatic Functionality Annotations from LLMs
von: Li, Hongxin, et al.
Veröffentlicht: (2025)

DriveVLM: The Convergence of Autonomous Driving and Large Vision-Language Models
von: Tian, Xiaoyu, et al.
Veröffentlicht: (2024)

GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents
von: Wu, Qianhui, et al.
Veröffentlicht: (2025)

Grounded 3D-Aware Spatial Vision-Language Modeling
von: Cheng, An-Chieh, et al.
Veröffentlicht: (2026)

N3D-VLM: Native 3D Grounding Enables Accurate Spatial Reasoning in Vision-Language Models
von: Wang, Yuxin, et al.
Veröffentlicht: (2025)

GUI-G1: Understanding R1-Zero-Like Training for Visual Grounding in GUI Agents
von: Zhou, Yuqi, et al.
Veröffentlicht: (2025)

BAMI: Training-Free Bias Mitigation in GUI Grounding
von: Zhang, Borui, et al.
Veröffentlicht: (2026)

EdgeFlow: Edge-Map Augmented VLM-Based Flowchart Processing for Industrial Requirements Engineering
von: Dou, Zhifei, et al.
Veröffentlicht: (2026)

HPE-CogVLM: Advancing Vision Language Models with a Head Pose Grounding Task
von: Tian, Yu, et al.
Veröffentlicht: (2024)

SleepVLM: Explainable and Rule-Grounded Sleep Staging via a Vision-Language Model
von: Deng, Guifeng, et al.
Veröffentlicht: (2026)

IDA-VLM: Towards Movie Understanding via ID-Aware Large Vision-Language Model
von: Ji, Yatai, et al.
Veröffentlicht: (2024)

DWaste: Greener AI for Waste Sorting using Mobile and Edge Devices
von: Kunwar, Suman
Veröffentlicht: (2025)

The Garbage Dataset (GD): A Multi-Class Image Benchmark for Automated Waste Segregation
von: Kunwar, Suman
Veröffentlicht: (2026)