Buchumschlag

Text-VQA Aug: Pipelined Harnessing of Large Multimodal Models for Automated Synthesis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Joshi, Soham, Mishra, Shwet Kamal, Gopalakrishnan, Viswanath
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

LMM-VQA: Advancing Video Quality Assessment with Large Multimodal Models
von: Ge, Qihang, et al.
Veröffentlicht: (2024)

Multimodal Retrieval-Augmented Generation with Large Language Models for Medical VQA
von: Karim, A H M Rezaul, et al.
Veröffentlicht: (2025)

Muffin or Chihuahua? Challenging Multimodal Large Language Models with Multipanel VQA
von: Fan, Yue, et al.
Veröffentlicht: (2024)

ArtAug: Enhancing Text-to-Image Generation through Synthesis-Understanding Interaction
von: Duan, Zhongjie, et al.
Veröffentlicht: (2024)

Revisiting Change VQA in Remote Sensing with Structured and Native Multimodal Qwen Models
von: Bazi, Yakoub, et al.
Veröffentlicht: (2026)

Reducing Peak Memory Usage for Modern Multimodal Large Language Model Pipelines
von: Kim, Junwan, et al.
Veröffentlicht: (2026)

Harnessing PDF Data for Improving Japanese Large Multimodal Models
von: Baek, Jeonghun, et al.
Veröffentlicht: (2025)

Understanding and Harnessing Sparsity in Unified Multimodal Models
von: He, Shwai, et al.
Veröffentlicht: (2025)

Kvasir-VQA: A Text-Image Pair GI Tract Dataset
von: Gautam, Sushant, et al.
Veröffentlicht: (2024)

Evaluating the Impact of Post-Training Quantization on Reliable VQA with Multimodal LLMs
von: Kurz, Paul Jonas, et al.
Veröffentlicht: (2026)

Beyond CLIP: Knowledge-Enhanced Multimodal Transformers for Cross-Modal Alignment in Diabetic Retinopathy Diagnosis
von: Samanta, Argha Kamal, et al.
Veröffentlicht: (2025)

HARIVO: Harnessing Text-to-Image Models for Video Generation
von: Kwon, Mingi, et al.
Veröffentlicht: (2024)

PatentLMM: Large Multimodal Model for Generating Descriptions for Patent Figures
von: Shukla, Shreya, et al.
Veröffentlicht: (2025)

Gather and Trace: Rethinking Video TextVQA from an Instance-oriented Perspective
von: Zhang, Yan, et al.
Veröffentlicht: (2025)

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

Visual Text Matters: Improving Text-KVQA with Visual Text Entity Knowledge-aware Large Multimodal Assistant
von: Penamakuri, Abhirama Subramanyam, et al.
Veröffentlicht: (2024)

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

SCRA-VQA: Summarized Caption-Rerank for Augmented Large Language Models in Visual Question Answering
von: Zhang, Yan, et al.
Veröffentlicht: (2025)

Automated Prompt Generation for Creative and Counterfactual Text-to-image Synthesis
von: Jelaca, Aleksa, et al.
Veröffentlicht: (2025)

TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document
von: Liu, Yuliang, et al.
Veröffentlicht: (2024)

OAD-Promoter: Enhancing Zero-shot VQA using Large Language Models with Object Attribute Description
von: Xu, Quanxing, et al.
Veröffentlicht: (2025)

ViBe: A Text-to-Video Benchmark for Evaluating Hallucination in Large Multimodal Models
von: Rawte, Vipula, et al.
Veröffentlicht: (2024)

Self-Aug: Query and Entropy Adaptive Decoding for Large Vision-Language Models
von: Im, Eun Woo, et al.
Veröffentlicht: (2025)

Img-Diff: Contrastive Data Synthesis for Multimodal Large Language Models
von: Jiao, Qirui, et al.
Veröffentlicht: (2024)

Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping
von: Akinboyewa, Temitope, et al.
Veröffentlicht: (2024)

Policy Optimized Text-to-Image Pipeline Design
von: Gadot, Uri, et al.
Veröffentlicht: (2025)

GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning
von: Liu, Bo, et al.
Veröffentlicht: (2025)

mKG-RAG: Leveraging Multimodal Knowledge Graphs in Retrieval-Augmented Generation for Knowledge-intensive VQA
von: Yuan, Xu, et al.
Veröffentlicht: (2025)

M$^3$-VQA: A Benchmark for Multimodal, Multi-Entity, Multi-Hop Visual Question Answering
von: Ma, Jiatong, et al.
Veröffentlicht: (2026)

Auto-Comp: An Automated Pipeline for Scalable Compositional Probing of Contrastive Vision-Language Models
von: Sbrolli, Cristian, et al.
Veröffentlicht: (2026)

TextHawk: Exploring Efficient Fine-Grained Perception of Multimodal Large Language Models
von: Yu, Ya-Qi, et al.
Veröffentlicht: (2024)

Harnessing Shared Relations via Multimodal Mixup Contrastive Learning for Multimodal Classification
von: Kumar, Raja, et al.
Veröffentlicht: (2024)

Harnessing Large Vision and Language Models in Agriculture: A Review
von: Zhu, Hongyan, et al.
Veröffentlicht: (2024)

Generative Animations: A Multi-Model Pipeline for Prompt-Driven Motion Synthesis
von: Khurana, Mannat, et al.
Veröffentlicht: (2026)

CtrlSynth: Controllable Image Text Synthesis for Data-Efficient Multimodal Learning
von: Cao, Qingqing, et al.
Veröffentlicht: (2024)

Caption First, VQA Second: Knowledge Density, Not Task Format, Drives Multimodal Scaling
von: Zou, Hongjian, et al.
Veröffentlicht: (2026)

Is ChatGPT-5 Ready for Mammogram VQA?
von: Li, Qiang, et al.
Veröffentlicht: (2025)

Advancing Surgical VQA with Scene Graph Knowledge
von: Yuan, Kun, et al.
Veröffentlicht: (2023)

MTabVQA: Evaluating Multi-Tabular Reasoning of Language Models in Visual Space
von: Singh, Anshul, et al.
Veröffentlicht: (2025)

ChromouVQA: Benchmarking Vision-Language Models under Chromatic Camouflaged Images
von: Zhang, Yunfei, et al.
Veröffentlicht: (2025)