Buchumschlag

How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Huanyu, Bai, Xuehai, Li, Chengzu, Liang, Chen, Tian, Haochen, Li, Haodong, An, Ruichuan, Zhang, Yifan, Korhonen, Anna, Zhang, Zhang, Wang, Liang, Tan, Tieniu
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VIBE: Visual Instruction Based Editor
von: Alekseenko, Grigorii, et al.
Veröffentlicht: (2026)

Latent Sketchpad: Sketching Visual Thoughts to Elicit Multimodal Reasoning in MLLMs
von: Zhang, Huanyu, et al.
Veröffentlicht: (2025)

Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning
von: Li, Chengzu, et al.
Veröffentlicht: (2026)

Scaling and Beyond: Advancing Spatial Reasoning in MLLMs Requires New Recipes
von: Zhang, Huanyu, et al.
Veröffentlicht: (2025)

MCIE: Multimodal LLM-Driven Complex Instruction Image Editing with Spatial Guidance
von: Bai, Xuehai, et al.
Veröffentlicht: (2026)

Reconstructive Visual Instruction Tuning
von: Wang, Haochen, et al.
Veröffentlicht: (2024)

SpeechEditBench: A Bilingual Multi-Attribute Benchmark for Instruction-Guided Speech Editing
von: Zhang, Hanlin, et al.
Veröffentlicht: (2026)

Visual Planning: Let's Think Only with Images
von: Xu, Yi, et al.
Veröffentlicht: (2025)

IHEval: Evaluating Language Models on Following the Instruction Hierarchy
von: Zhang, Zhihan, et al.
Veröffentlicht: (2025)

Semantic Map-based Generation of Navigation Instructions
von: Li, Chengzu, et al.
Veröffentlicht: (2024)

Imagine while Reasoning in Space: Multimodal Visualization-of-Thought
von: Li, Chengzu, et al.
Veröffentlicht: (2025)

InstructAny2Pix: Flexible Visual Editing via Multimodal Instruction Following
von: Li, Shufan, et al.
Veröffentlicht: (2023)

Personalized Visual Instruction Tuning
von: Pi, Renjie, et al.
Veröffentlicht: (2024)

Ross3D: Reconstructive Visual Instruction Tuning with 3D-Awareness
von: Wang, Haochen, et al.
Veröffentlicht: (2025)

Biomedical Visual Instruction Tuning with Clinician Preference Alignment
von: Cui, Hejie, et al.
Veröffentlicht: (2024)

ChartM$^3$: Benchmarking Chart Editing with Multimodal Instructions
von: Yang, Donglu, et al.
Veröffentlicht: (2025)

Robotic Visual Instruction
von: Li, Yanbang, et al.
Veröffentlicht: (2025)

A Systematic Examination of Preference Learning through the Lens of Instruction-Following
von: Kim, Joongwon, et al.
Veröffentlicht: (2024)

CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning
von: Ni, Minheng, et al.
Veröffentlicht: (2026)

MathChat: Benchmarking Mathematical Reasoning and Instruction Following in Multi-Turn Interactions
von: Liang, Zhenwen, et al.
Veröffentlicht: (2024)

TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting
von: Zhang, Huanyu, et al.
Veröffentlicht: (2024)

HIVE: Harnessing Human Feedback for Instructional Visual Editing
von: Zhang, Shu, et al.
Veröffentlicht: (2023)

Reasoning to Edit: Hypothetical Instruction-Based Image Editing with Visual Reasoning
von: He, Qingdong, et al.
Veröffentlicht: (2025)

What Makes for Good Visual Instructions? Synthesizing Complex Visual Reasoning Instructions for Visual Instruction Tuning
von: Du, Yifan, et al.
Veröffentlicht: (2023)

Visual Autoregressive Modeling for Instruction-Guided Image Editing
von: Mao, Qingyang, et al.
Veröffentlicht: (2025)

Automatic Layout Planning for Visually-Rich Documents with Instruction-Following Models
von: Zhu, Wanrong, et al.
Veröffentlicht: (2024)

EditWorld: Simulating World Dynamics for Instruction-Following Image Editing
von: Yang, Ling, et al.
Veröffentlicht: (2024)

Human Image Generation: A Comprehensive Survey
von: Jia, Zhen, et al.
Veröffentlicht: (2022)

Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing
von: Zhao, Xiangyu, et al.
Veröffentlicht: (2025)

CIF-Bench: A Chinese Instruction-Following Benchmark for Evaluating the Generalizability of Large Language Models
von: LI, Yizhi, et al.
Veröffentlicht: (2024)

XIFBench: Evaluating Large Language Models on Multilingual Instruction Following
von: Li, Zhenyu, et al.
Veröffentlicht: (2025)

Instruction Following without Instruction Tuning
von: Hewitt, John, et al.
Veröffentlicht: (2024)

OpenGPT-4o-Image: A Comprehensive Dataset for Advanced Image Generation and Editing
von: Chen, Zhihong, et al.
Veröffentlicht: (2025)

LERa: Replanning with Visual Feedback in Instruction Following
von: Pchelintsev, Svyatoslav, et al.
Veröffentlicht: (2025)

PEARL: Personalized Streaming Video Understanding Model
von: Zheng, Yuanhong, et al.
Veröffentlicht: (2026)

Learning to Instruct for Visual Instruction Tuning
von: Zhou, Zhihan, et al.
Veröffentlicht: (2025)

VIGC: Visual Instruction Generation and Correction
von: Wang, Bin, et al.
Veröffentlicht: (2023)

MG-LLaVA: Towards Multi-Granularity Visual Instruction Tuning
von: Zhao, Xiangyu, et al.
Veröffentlicht: (2024)

ComplexBench-Edit: Benchmarking Complex Instruction-Driven Image Editing via Compositional Dependencies
von: Wang, Chenglin, et al.
Veröffentlicht: (2025)

Can Language Models Follow Multiple Turns of Entangled Instructions?
von: Han, Chi, et al.
Veröffentlicht: (2025)