Buchumschlag

A Benchmark for Ultra-High-Resolution Remote Sensing MLLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dang, Yunkai, Zhu, Meiyi, Wang, Donghao, Zhang, Yizhuo, Yang, Jiacheng, Fan, Qi, Yang, Yuekun, Li, Wenbin, Miao, Feng, Gao, Yang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FUSE-RSVLM: Feature Fusion Vision-Language Model for Remote Sensing
von: Dang, Yunkai, et al.
Veröffentlicht: (2025)

UHR-BAT: Budget-Aware Token Compression Vision-Language model for Ultra-High-Resolution Remote Sensing
von: Dang, Yunkai, et al.
Veröffentlicht: (2026)

Annotation-Free Visual Reasoning for High-Resolution Large Multimodal Models via Reinforcement Learning
von: Yang, Jiacheng, et al.
Veröffentlicht: (2026)

Transcending Fusion: A Multi-Scale Alignment Method for Remote Sensing Image-Text Retrieval
von: Yang, Rui, et al.
Veröffentlicht: (2024)

SM3Det: A Unified Model for Multi-Modal Remote Sensing Object Detection
von: Li, Yuxuan, et al.
Veröffentlicht: (2024)

Hi3D: Pursuing High-Resolution Image-to-3D Generation with Video Diffusion Models
von: Yang, Haibo, et al.
Veröffentlicht: (2024)

Visual Semantic Description Generation with MLLMs for Image-Text Matching
von: Chen, Junyu, et al.
Veröffentlicht: (2025)

SMSP: A Plug-and-Play Strategy of Multi-Scale Perception for MLLMs to Perceive Visual Illusions
von: Tu, Jinzhe, et al.
Veröffentlicht: (2026)

Hierarchical Sub-action Tree for Continuous Sign Language Recognition
von: Yang, Dejie, et al.
Veröffentlicht: (2025)

SmartSplat: Feature-Smart Gaussians for Scalable Compression of Ultra-High-Resolution Images
von: Li, Linfei, et al.
Veröffentlicht: (2025)

VAGU & GtS: LLM-Based Benchmark and Framework for Joint Video Anomaly Grounding and Understanding
von: Gao, Shibo, et al.
Veröffentlicht: (2025)

MRD: Multi-resolution Retrieval-Detection Fusion for High-Resolution Image Understanding
von: Yang, Fan, et al.
Veröffentlicht: (2025)

Towards Open-Vocabulary Remote Sensing Image Semantic Segmentation
von: Ye, Chengyang, et al.
Veröffentlicht: (2024)

Towards Better Dental AI: A Multimodal Benchmark and Instruction Dataset for Panoramic X-ray Analysis
von: Hao, Jing, et al.
Veröffentlicht: (2025)

Beyond Walking: A Large-Scale Image-Text Benchmark for Text-based Person Anomaly Search
von: Yang, Shuyu, et al.
Veröffentlicht: (2024)

Copy-Move Forgery Detection and Question Answering for Remote Sensing Image
von: Zhang, Ze, et al.
Veröffentlicht: (2024)

Textured mesh Quality Assessment using Geometry and Color Field Similarity
von: Yang, Kaifa, et al.
Veröffentlicht: (2025)

X-Former: Unifying Contrastive and Reconstruction Learning for MLLMs
von: Swetha, Sirnam, et al.
Veröffentlicht: (2024)

VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification
von: Meng, Jiahao, et al.
Veröffentlicht: (2026)

ClassWise-CRF: Category-Specific Fusion for Enhanced Semantic Segmentation of Remote Sensing Imagery
von: Zhu, Qinfeng, et al.
Veröffentlicht: (2025)

Palantir: Towards Efficient Super Resolution for Ultra-high-definition Live Streaming
von: Jin, Xinqi, et al.
Veröffentlicht: (2024)

Continual Panoptic Perception: Towards Multi-modal Incremental Interpretation of Remote Sensing Images
von: Yuan, Bo, et al.
Veröffentlicht: (2024)

A Hierarchical Compression Technique for 3D Gaussian Splatting Compression
von: Huang, He, et al.
Veröffentlicht: (2024)

Towards Signboard-Oriented Visual Question Answering: ViSignVQA Dataset, Method and Benchmark
von: Nguyen, Hieu Minh, et al.
Veröffentlicht: (2025)

Spatial-Aware Efficient Projector for MLLMs via Multi-Layer Feature Aggregation
von: Qian, Shun, et al.
Veröffentlicht: (2024)

PAME: Self-Supervised Masked Autoencoder for No-Reference Point Cloud Quality Assessment
von: Shan, Ziyu, et al.
Veröffentlicht: (2024)

HIRI-ViT: Scaling Vision Transformer with High Resolution Inputs
von: Yao, Ting, et al.
Veröffentlicht: (2024)

LMM4Edit: Benchmarking and Evaluating Multimodal Image Editing with LMMs
von: Xu, Zitong, et al.
Veröffentlicht: (2025)

Boosting Temporal Sentence Grounding via Causal Inference
von: Tang, Kefan, et al.
Veröffentlicht: (2025)

InstructHumans: Editing Animated 3D Human Textures with Instructions
von: Zhu, Jiayin, et al.
Veröffentlicht: (2024)

Representation Discrepancy Bridging Method for Remote Sensing Image-Text Retrieval
von: Ning, Hailong, et al.
Veröffentlicht: (2025)

Where Does Vision Meet Language? Understanding and Refining Visual Fusion in MLLMs via Contrastive Attention
von: Song, Shezheng, et al.
Veröffentlicht: (2026)

AV-DTEC: Self-Supervised Audio-Visual Fusion for Drone Trajectory Estimation and Classification
von: Xiao, Zhenyuan, et al.
Veröffentlicht: (2024)

PMPGuard: Catching Pseudo-Matched Pairs in Remote Sensing Image-Text Retrieval
von: Ouyang, Pengxiang, et al.
Veröffentlicht: (2025)

HR-INR: Continuous Space-Time Video Super-Resolution via Event Camera
von: Lu, Yunfan, et al.
Veröffentlicht: (2024)

WaveMamba: Wavelet-Driven Mamba Fusion for RGB-Infrared Object Detection
von: Zhu, Haodong, et al.
Veröffentlicht: (2025)

VC-Bench: Pioneering the Video Connecting Benchmark with a Dataset and Evaluation Metrics
von: Yin, Zhiyu, et al.
Veröffentlicht: (2026)

MindTuner: Cross-Subject Visual Decoding with Visual Fingerprint and Semantic Correction
von: Gong, Zixuan, et al.
Veröffentlicht: (2024)

HarmonyIQA: Pioneering Benchmark and Model for Image Harmonization Quality Assessment
von: Xu, Zitong, et al.
Veröffentlicht: (2025)

Test-Time Adaptation with CLIP Reward for Zero-Shot Generalization in Vision-Language Models
von: Zhao, Shuai, et al.
Veröffentlicht: (2023)