Enregistré dans:
| Auteurs principaux: | Ayli, Maroun, Bakouny, Youssef, Sharma, Tushar, Jalloul, Nader, Seifeddine, Hani, Kilany, Rima |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | https://arxiv.org/abs/2511.19380 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
par: You, Keen, et autres
Publié: (2024)
par: You, Keen, et autres
Publié: (2024)
Improving Language Understanding from Screenshots
par: Gao, Tianyu, et autres
Publié: (2024)
par: Gao, Tianyu, et autres
Publié: (2024)
SegDT: A Diffusion Transformer-Based Segmentation Model for Medical Imaging
par: Bekhouche, Salah Eddine, et autres
Publié: (2025)
par: Bekhouche, Salah Eddine, et autres
Publié: (2025)
VisRefiner: Learning from Visual Differences for Screenshot-to-Code Generation
par: Deng, Jie, et autres
Publié: (2026)
par: Deng, Jie, et autres
Publié: (2026)
RzenEmbed: Towards Comprehensive Multimodal Retrieval
par: Jian, Weijian, et autres
Publié: (2025)
par: Jian, Weijian, et autres
Publié: (2025)
Rethinking Token Pruning for Historical Screenshots in GUI Visual Agents: Semantic, Spatial, and Temporal Perspectives
par: Li, Daiqiang, et autres
Publié: (2026)
par: Li, Daiqiang, et autres
Publié: (2026)
UI-Venus Technical Report: Building High-performance UI Agents with RFT
par: Gu, Zhangxuan, et autres
Publié: (2025)
par: Gu, Zhangxuan, et autres
Publié: (2025)
UI2Code^N: UI-to-Code Generation as Interactive Visual Optimization
par: Yang, Zhen, et autres
Publié: (2025)
par: Yang, Zhen, et autres
Publié: (2025)
LLM-Based Identification of Infostealer Infection Vectors from Screenshots: The Case of Aurora
par: Ruellan, Estelle, et autres
Publié: (2025)
par: Ruellan, Estelle, et autres
Publié: (2025)
Reasoning Guided Embeddings: Leveraging MLLM Reasoning for Improved Multimodal Retrieval
par: Liu, Chunxu, et autres
Publié: (2025)
par: Liu, Chunxu, et autres
Publié: (2025)
Integrating ConvNeXt and Vision Transformers for Enhancing Facial Age Estimation
par: Maroun, Gaby, et autres
Publié: (2025)
par: Maroun, Gaby, et autres
Publié: (2025)
Widget2Code: From Visual Widgets to UI Code via Multimodal LLMs
par: Zhang, Houston H., et autres
Publié: (2025)
par: Zhang, Houston H., et autres
Publié: (2025)
RWKV-UI: UI Understanding with Enhanced Perception and Reasoning
par: Yang, Jiaxi, et autres
Publié: (2025)
par: Yang, Jiaxi, et autres
Publié: (2025)
TongUI: Internet-Scale Trajectories from Multimodal Web Tutorials for Generalized GUI Agents
par: Zhang, Bofei, et autres
Publié: (2025)
par: Zhang, Bofei, et autres
Publié: (2025)
From Pixels to Titles: Video Game Identification by Screenshots using Convolutional Neural Networks
par: Breve, Fabricio
Publié: (2023)
par: Breve, Fabricio
Publié: (2023)
Unlocking the conversion of Web Screenshots into HTML Code with the WebSight Dataset
par: Laurençon, Hugo, et autres
Publié: (2024)
par: Laurençon, Hugo, et autres
Publié: (2024)
PAL-UI: Planning with Active Look-back for Vision-Based GUI Agents
par: Liu, Zikang, et autres
Publié: (2025)
par: Liu, Zikang, et autres
Publié: (2025)
PLUME: Latent Reasoning Based Universal Multimodal Embedding
par: He, Chenwei, et autres
Publié: (2026)
par: He, Chenwei, et autres
Publié: (2026)
Embedding-based Retrieval in Multimodal Content Moderation
par: Liang, Hanzhong, et autres
Publié: (2025)
par: Liang, Hanzhong, et autres
Publié: (2025)
ScreenQA: Large-Scale Question-Answer Pairs over Mobile App Screenshots
par: Hsiao, Yu-Chung, et autres
Publié: (2022)
par: Hsiao, Yu-Chung, et autres
Publié: (2022)
MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment
par: Mourchid, Youssef, et autres
Publié: (2023)
par: Mourchid, Youssef, et autres
Publié: (2023)
REGen: Multimodal Retrieval-Embedded Generation for Long-to-Short Video Editing
par: Xu, Weihan, et autres
Publié: (2025)
par: Xu, Weihan, et autres
Publié: (2025)
Joint Retrieval of Cloud properties using Attention-based Deep Learning Models
par: Tushar, Zahid Hassan, et autres
Publié: (2025)
par: Tushar, Zahid Hassan, et autres
Publié: (2025)
DynSTG-Mamba: Dynamic Spatio-Temporal Graph Mamba with Cross-Graph Knowledge Distillation for Gait Disorders Recognition
par: Zrimek, Zakariae, et autres
Publié: (2025)
par: Zrimek, Zakariae, et autres
Publié: (2025)
Cloud Optical Thickness Retrievals Using Angle Invariant Attention Based Deep Learning Models
par: Tushar, Zahid Hassan, et autres
Publié: (2025)
par: Tushar, Zahid Hassan, et autres
Publié: (2025)
UI-UG: A Unified MLLM for UI Understanding and Generation
par: Yang, Hao, et autres
Publié: (2025)
par: Yang, Hao, et autres
Publié: (2025)
UrbanGraphEmbeddings: Learning and Evaluating Spatially Grounded Multimodal Embeddings for Urban Science
par: Zhang, Jie, et autres
Publié: (2026)
par: Zhang, Jie, et autres
Publié: (2026)
ObjEmbed: Towards Universal Multimodal Object Embeddings
par: Fu, Shenghao, et autres
Publié: (2026)
par: Fu, Shenghao, et autres
Publié: (2026)
ShowUI-Aloha: Human-Taught GUI Agent
par: Zhang, Yichun, et autres
Publié: (2026)
par: Zhang, Yichun, et autres
Publié: (2026)
ScreenAI: A Vision-Language Model for UI and Infographics Understanding
par: Baechler, Gilles, et autres
Publié: (2024)
par: Baechler, Gilles, et autres
Publié: (2024)
MM-Embed: Universal Multimodal Retrieval with Multimodal LLMs
par: Lin, Sheng-Chieh, et autres
Publié: (2024)
par: Lin, Sheng-Chieh, et autres
Publié: (2024)
Embed-RL: Reinforcement Learning for Reasoning-Driven Multimodal Embeddings
par: Jiang, Haonan, et autres
Publié: (2026)
par: Jiang, Haonan, et autres
Publié: (2026)
Modality Curation: Building Universal Embeddings for Advanced Multimodal Information Retrieval
par: Kong, Fanheng, et autres
Publié: (2025)
par: Kong, Fanheng, et autres
Publié: (2025)
MetaEmbed: Scaling Multimodal Retrieval at Test-Time with Flexible Late Interaction
par: Xiao, Zilin, et autres
Publié: (2025)
par: Xiao, Zilin, et autres
Publié: (2025)
MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation
par: Hsiao, Chi-Hsiang, et autres
Publié: (2025)
par: Hsiao, Chi-Hsiang, et autres
Publié: (2025)
Generative Giants, Retrieval Weaklings: Why do Multimodal Large Language Models Fail at Multimodal Retrieval?
par: Feng, Hengyi, et autres
Publié: (2025)
par: Feng, Hengyi, et autres
Publié: (2025)
On the Uphill Battle of Image frequency Analysis
par: Bazyari, Nader, et autres
Publié: (2026)
par: Bazyari, Nader, et autres
Publié: (2026)
Step Differences in Instructional Video
par: Nagarajan, Tushar, et autres
Publié: (2024)
par: Nagarajan, Tushar, et autres
Publié: (2024)
U-MARVEL: Unveiling Key Factors for Universal Multimodal Retrieval via Embedding Learning with MLLMs
par: Li, Xiaojie, et autres
Publié: (2025)
par: Li, Xiaojie, et autres
Publié: (2025)
Personalizing Retrieval using Joint Embeddings or "the Return of Fluffy"
par: Korbar, Bruno, et autres
Publié: (2025)
par: Korbar, Bruno, et autres
Publié: (2025)
Documents similaires
-
Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
par: You, Keen, et autres
Publié: (2024) -
Improving Language Understanding from Screenshots
par: Gao, Tianyu, et autres
Publié: (2024) -
SegDT: A Diffusion Transformer-Based Segmentation Model for Medical Imaging
par: Bekhouche, Salah Eddine, et autres
Publié: (2025) -
VisRefiner: Learning from Visual Differences for Screenshot-to-Code Generation
par: Deng, Jie, et autres
Publié: (2026) -
RzenEmbed: Towards Comprehensive Multimodal Retrieval
par: Jian, Weijian, et autres
Publié: (2025)