Pixel-Grounded Retrieval for Knowledgeable Large Multimodal Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Jeonghwan, Tao, Renjie, Sharma, Sanat, Wang, Jiaqi, Sun, Kai, Lin, Zhaojiang, Moon, Seungwhan, Mathias, Lambert, Kumar, Anuj, Ji, Heng, Dong, Xin Luna
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!

Ähnliche Einträge

Proactive Assistant Dialogue Generation from Streaming Egocentric Videos
von: Zhang, Yichi, et al.
Veröffentlicht: (2025)

SnapNTell: Enhancing Entity-Centric Visual Question Answering with Retrieval Augmented Multimodal LLM
von: Qiu, Jielin, et al.
Veröffentlicht: (2024)

AssoMem: Scalable Memory QA with Multi-Signal Associative Retrieval
von: Zhang, Kai, et al.
Veröffentlicht: (2025)

VisualLens: Personalization through Task-Agnostic Visual History
von: Zhu, Wang Bill, et al.
Veröffentlicht: (2024)

TRACE: A Framework for Analyzing and Enhancing Stepwise Reasoning in Vision-Language Models
von: Imani, Shima, et al.
Veröffentlicht: (2025)

Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage
von: Arora, Siddhant, et al.
Veröffentlicht: (2025)

Large Language Models as Zero-shot Dialogue State Tracker through Function Calling
von: Li, Zekun, et al.
Veröffentlicht: (2024)

Finer: Investigating and Enhancing Fine-Grained Visual Concept Recognition in Large Vision Language Models
von: Kim, Jeonghwan, et al.
Veröffentlicht: (2024)

PRiSM: An Agentic Multimodal Benchmark for Scientific Reasoning via Python-Grounded Evaluation
von: Imani, Shima, et al.
Veröffentlicht: (2025)

Knowledge Extraction on Semi-Structured Content: Does It Remain Relevant for Question Answering in the Era of LLMs?
von: Sun, Kai, et al.
Veröffentlicht: (2025)

Doppelgänger's Watch: A Split Objective Approach to Large Language Models
von: Ghasemlou, Shervin, et al.
Veröffentlicht: (2024)

GeoPixel: Pixel Grounding Large Multimodal Model in Remote Sensing
von: Shabbir, Akashah, et al.
Veröffentlicht: (2025)

GLaMM: Pixel Grounding Large Multimodal Model
von: Rasheed, Hanoona, et al.
Veröffentlicht: (2023)

ConfRAG: Confidence-Guided Retrieval-Augmenting Generation
von: Huang, Yin, et al.
Veröffentlicht: (2025)

Augmenting Knowledge Graph Hierarchies Using Neural Transformers
von: Sharma, Sanat, et al.
Veröffentlicht: (2024)

Hide and Seek: Fingerprinting Large Language Models with Evolutionary Learning
von: Iourovitski, Dmitri, et al.
Veröffentlicht: (2024)

Pixel-SAIL: Single Transformer For Pixel-Grounded Understanding
von: Zhang, Tao, et al.
Veröffentlicht: (2025)

SCRIBES: Web-Scale Script-Based Semi-Structured Data Extraction with Reinforcement Learning
von: Liu, Shicheng, et al.
Veröffentlicht: (2025)

PARTONOMY: Large Multimodal Models with Part-Level Visual Understanding
von: Blume, Ansel, et al.
Veröffentlicht: (2025)

OG-RAG: Ontology-Grounded Retrieval-Augmented Generation For Large Language Models
von: Sharma, Kartik, et al.
Veröffentlicht: (2024)

Search and Detect: Training-Free Long Tail Object Detection via Web-Image Retrieval
von: Sidhu, Mankeerat, et al.
Veröffentlicht: (2024)

Diffusion-based Data Augmentation and Knowledge Distillation with Generated Soft Labels Solving Data Scarcity Problems of SAR Oil Spill Segmentation
von: Moon, Jaeho, et al.
Veröffentlicht: (2024)

Head-to-Tail: How Knowledgeable are Large Language Models (LLMs)? A.K.A. Will LLMs Replace Knowledge Graphs?
von: Sun, Kai, et al.
Veröffentlicht: (2023)

KERAG: Knowledge-Enhanced Retrieval-Augmented Generation for Advanced Question Answering
von: Sun, Yushi, et al.
Veröffentlicht: (2025)

PixelLM: Pixel Reasoning with Large Multimodal Model
von: Ren, Zhongwei, et al.
Veröffentlicht: (2023)

ThematicPlane: Bridging Tacit User Intent and Latent Spaces for Image Generation
von: Lee, Daniel, et al.
Veröffentlicht: (2025)

ARMADA: Attribute-Based Multimodal Data Augmentation
von: Jin, Xiaomeng, et al.
Veröffentlicht: (2024)

MM-PoisonRAG: Disrupting Multimodal RAG with Local and Global Poisoning Attacks
von: Ha, Hyeonjeong, et al.
Veröffentlicht: (2025)

GroundingSuite: Measuring Complex Multi-Granular Pixel Grounding
von: Hu, Rui, et al.
Veröffentlicht: (2025)

VideoGLaMM: A Large Multimodal Model for Pixel-Level Visual Grounding in Videos
von: Munasinghe, Shehan, et al.
Veröffentlicht: (2024)

Scaling Multimodal Search and Recommendation with Small Language Models via Upside-Down Reinforcement Learning
von: Lin, Yu-Chen, et al.
Veröffentlicht: (2025)

Aligning Extraction and Generation for Robust Retrieval-Augmented Generation
von: Song, Hwanjun, et al.
Veröffentlicht: (2025)

Contextual Font Recommendations based on User Intent
von: Sharma, Sanat, et al.
Veröffentlicht: (2023)

SymPyBench: A Dynamic Benchmark for Scientific Reasoning with Executable Python Code
von: Imani, Shima, et al.
Veröffentlicht: (2025)

Retrieval-Augmented VLMs for Multimodal Melanoma Diagnosis
von: Moon, Jihyun, et al.
Veröffentlicht: (2025)

Goal2Pixel: Grounding Goals to Pixels for Vision-Language Navigation
von: Bao, Muyi, et al.
Veröffentlicht: (2026)

Protein Language Models Diverge from Natural Language: Comparative Analysis and Improved Inference
von: Hart, Anna, et al.
Veröffentlicht: (2026)

Toward Architecture-Agnostic Local Control of Posterior Collapse in VAEs
von: Song, Hyunsoo, et al.
Veröffentlicht: (2025)

Visible Light‐Induced Energy Transfer Mediated Regioselective C‐3 Thiolation of Imidazoheterocycles using Bunte Salts
von: Sehdev Kumar, et al.
Veröffentlicht: (2025)

Efficient Temporal Sentence Grounding in Videos with Multi-Teacher Knowledge Distillation
von: Liang, Renjie, et al.
Veröffentlicht: (2023)