Buchumschlag

HW-MLVQA: Elucidating Multilingual Handwritten Document Understanding with a Comprehensive VQA Benchmark

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pal, Aniket, Mondal, Ajoy, Mathew, Minesh, Jawahar, C. V.
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

Advancing Question Answering on Handwritten Documents: A State-of-the-Art Recognition-Based Model for HW-SQuAD
von: Pal, Aniket, et al.
Veröffentlicht: (2024)

Towards Deployable OCR models for Indic languages
von: Mathew, Minesh, et al.
Veröffentlicht: (2022)

IndicSTR12: A Dataset for Indic Scene Text Recognition
von: Lunia, Harsh, et al.
Veröffentlicht: (2024)

Reading Between the Lanes: Text VideoQA on the Road
von: Tom, George, et al.
Veröffentlicht: (2023)

AI-Generated Lecture Slides for Improving Slide Element Detection and Retrieval
von: Maniyar, Suyash, et al.
Veröffentlicht: (2025)

NoTeS-Bank: Benchmarking Neural Transcription and Search for Scientific Notes Understanding
von: Pal, Aniket, et al.
Veröffentlicht: (2025)

MechVQA: Benchmarking and Enhancing Multimodal LLMs on Comprehensive Mechanical Drawing Understanding
von: Kou, Qian, et al.
Veröffentlicht: (2026)

SurveillanceVQA-589K: A Benchmark for Comprehensive Surveillance Video-Language Understanding with Large Models
von: Liu, Bo, et al.
Veröffentlicht: (2025)

ReXSonoVQA: A Video QA Benchmark for Procedure-Centric Ultrasound Understanding
von: Wang, Xucheng, et al.
Veröffentlicht: (2026)

Prompt2LVideos: Exploring Prompts for Understanding Long-Form Multimodal Videos
von: Jahagirdar, Soumya Shamarao, et al.
Veröffentlicht: (2025)

CiteVQA: Benchmarking Evidence Attribution for Trustworthy Document Intelligence
von: Ma, Dongsheng, et al.
Veröffentlicht: (2026)

PEDESTRIANQA: A Benchmark for Vision-Language Models on Pedestrian Intention and Trajectory Prediction
von: Mishra, Naman, et al.
Veröffentlicht: (2026)

WebMMU: A Benchmark for Multimodal Multilingual Website Understanding and Code Generation
von: Awal, Rabiul, et al.
Veröffentlicht: (2025)

PhyEduVideo: A Benchmark for Evaluating Text-to-Video Models for Physics Education
von: M, Megha Mariam K., et al.
Veröffentlicht: (2026)

Benchmarking Large Language Models for Handwritten Text Recognition
von: Crosilla, Giorgia, et al.
Veröffentlicht: (2025)

Innovative Methods for Non-Destructive Inspection of Handwritten Documents
von: Breci, Eleonora, et al.
Veröffentlicht: (2023)

Attend to what I say: Highlighting relevant content on slides
von: M, Megha Mariam K, et al.
Veröffentlicht: (2026)

Source-free Video Domain Adaptation by Learning from Noisy Labels
von: Dasgupta, Avijit, et al.
Veröffentlicht: (2023)

Invizo: Arabic Handwritten Document Optical Character Recognition Solution
von: Waly, Alhossien, et al.
Veröffentlicht: (2025)

A Novel Dataset for Non-Destructive Inspection of Handwritten Documents
von: Breci, Eleonora, et al.
Veröffentlicht: (2024)

Reading Order Independent Metrics for Information Extraction in Handwritten Documents
von: Villanova-Aparisi, David, et al.
Veröffentlicht: (2024)

Visual Robustness Benchmark for Visual Question Answering (VQA)
von: Ishmam, Md Farhan, et al.
Veröffentlicht: (2024)

SURE-VQA: Systematic Understanding of Robustness Evaluation in Medical VQA Tasks
von: Kahl, Kim-Celine, et al.
Veröffentlicht: (2024)

EDU-CIRCUIT-HW: Evaluating Multimodal Large Language Models on Real-World University-Level STEM Student Handwritten Solutions
von: Sun, Weiyu, et al.
Veröffentlicht: (2026)

Open3D-VQA: A Benchmark for Comprehensive Spatial Reasoning with Multimodal Large Language Model in Open Space
von: Zhang, Weichen, et al.
Veröffentlicht: (2025)

Diffusion-Refined VQA Annotations for Semi-Supervised Gaze Following
von: Miao, Qiaomu, et al.
Veröffentlicht: (2024)

Real-Time Human Reconstruction and Animation using Feed-Forward Gaussian Splatting
von: Chatterjee, Devdoot, et al.
Veröffentlicht: (2026)

Enhancing Document VQA Models via Retrieval-Augmented Generation
von: López, Eric, et al.
Veröffentlicht: (2025)

Lost in Volume: The CT-SpatialVQA Benchmark for Evaluating Semantic-Spatial Understanding of 3D Medical Vision-Language Models
von: Monon, Mashrafi, et al.
Veröffentlicht: (2026)

Uncovering the Handwritten Text in the Margins: End-to-end Handwritten Text Detection and Recognition
von: Cheng, Liang, et al.
Veröffentlicht: (2023)

How Does India Cook Biryani?
von: Goel, Shubham, et al.
Veröffentlicht: (2026)

Understanding Multi-Agent Reasoning with Large Language Models for Cartoon VQA
von: Wu, Tong, et al.
Veröffentlicht: (2026)

EW-DETR: Evolving World Object Detection via Incremental Low-Rank DEtection TRansformer
von: Monga, Munish, et al.
Veröffentlicht: (2026)

MangaVQA and MangaLMM: A Benchmark and Specialized Model for Multimodal Manga Understanding
von: Baek, Jeonghun, et al.
Veröffentlicht: (2025)

Show, don't tell -- Providing Visual Error Feedback for Handwritten Documents
von: Yasin, Said, et al.
Veröffentlicht: (2026)

VaseVQA: Multimodal Agent and Benchmark for Ancient Greek Pottery
von: Ge, Jinchao, et al.
Veröffentlicht: (2025)

Illusory VQA: Benchmarking and Enhancing Multimodal Models on Visual Illusions
von: Rostamkhani, Mohammadmostafa, et al.
Veröffentlicht: (2024)

OmniMedVQA: A New Large-Scale Comprehensive Evaluation Benchmark for Medical LVLM
von: Hu, Yutao, et al.
Veröffentlicht: (2024)

DisasterVQA: A Visual Question Answering Benchmark Dataset for Disaster Scenes
von: Al-Mohannadi, Aisha, et al.
Veröffentlicht: (2026)

UWBench: A Comprehensive Vision-Language Benchmark for Underwater Understanding
von: Zhang, Da, et al.
Veröffentlicht: (2025)