GeM-VG: Towards Generalized Multi-image Visual Grounding with Multimodal Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zheng, Shurong, Zhu, Yousong, Zhao, Hongyin, Yang, Fan, Zhan, Yufei, Tang, Ming, Wang, Jinqiao
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Online

https://arxiv.org/abs/2601.04777