Buchumschlag

Ref-Adv: Exploring MLLM Visual Reasoning in Referring Expression Tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dong, Qihua, Yang, Kuo, Ju, Lin, Zhao, Handong, Zhang, Yitian, Wang, Yizhou, Zeng, Huimin, Lu, Jianglin, Fu, Yun
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning
von: Dong, Qihua, et al.
Veröffentlicht: (2025)

Seeing Through Words: Controlling Visual Retrieval Quality with Language Models
von: Lu, Jianglin, et al.
Veröffentlicht: (2026)

Scale-Free Graph-Language Models
von: Lu, Jianglin, et al.
Veröffentlicht: (2025)

Hierarchical Visual Agent: Managing Contexts in Joint Image-Text Space for Advanced Chart Reasoning
von: Dong, Qihua, et al.
Veröffentlicht: (2026)

The Indra Representation Hypothesis for Multimodal Alignment
von: Lu, Jianglin, et al.
Veröffentlicht: (2026)

Fine-T2I: An Open, Large-Scale, and Diverse Dataset for High-Quality T2I Fine-Tuning
von: Ma, Xu, et al.
Veröffentlicht: (2026)

Trajectory Prediction Meets Large Language Models: A Survey
von: Xu, Yi, et al.
Veröffentlicht: (2025)

RefBench-PRO: Perceptual and Reasoning Oriented Benchmark for Referring Expression Comprehension
von: Gao, Tianyi, et al.
Veröffentlicht: (2025)

Beyond Referring Expressions: Scenario Comprehension Visual Grounding
von: He, Ruozhen, et al.
Veröffentlicht: (2026)

Boosting Large Language Models with Mask Fine-Tuning
von: Zhang, Mingyuan, et al.
Veröffentlicht: (2025)

FineCops-Ref: A new Dataset and Task for Fine-Grained Compositional Referring Expression Comprehension
von: Liu, Junzhuo, et al.
Veröffentlicht: (2024)

Distorted or Fabricated? A Survey on Hallucination in Video LLMs
von: Huang, Yiyang, et al.
Veröffentlicht: (2026)

RefDrone: A Challenging Benchmark for Referring Expression Comprehension in Drone Scenes
von: Sun, Zhichao, et al.
Veröffentlicht: (2025)

Smoothing Grounding and Reasoning for MLLM-Powered GUI Agents with Query-Oriented Pivot Tasks
von: Wu, Zongru, et al.
Veröffentlicht: (2025)

MultiRef: Controllable Image Generation with Multiple Visual References
von: Chen, Ruoxi, et al.
Veröffentlicht: (2025)

OneRef: Unified One-tower Expression Grounding and Segmentation with Mask Referring Modeling
von: Xiao, Linhui, et al.
Veröffentlicht: (2024)

RefCut: Interactive Segmentation with Reference Guidance
von: Lin, Zheng, et al.
Veröffentlicht: (2025)

RefTool: Reference-Guided Tool Creation for Knowledge-Intensive Reasoning
von: Liu, Xiao, et al.
Veröffentlicht: (2025)

Ref-AVS: Refer and Segment Objects in Audio-Visual Scenes
von: Wang, Yaoting, et al.
Veröffentlicht: (2024)

RefSR-Adv: Adversarial Attack on Reference-based Image Super-Resolution Models
von: Dai, Jiazhu, et al.
Veröffentlicht: (2026)

DUALVISION: RGB-Infrared Multimodal Large Language Models for Robust Visual Reasoning
von: Majeedi, Abrar, et al.
Veröffentlicht: (2026)

RefEdit: A Benchmark and Method for Improving Instruction-based Image Editing Model on Referring Expressions
von: Pathiraja, Bimsara, et al.
Veröffentlicht: (2025)

RefChecker: Reference-based Fine-grained Hallucination Checker and Benchmark for Large Language Models
von: Hu, Xiangkun, et al.
Veröffentlicht: (2024)

GeoRef: Referring Expressions in Geometry via Task Formulation, Synthetic Supervision, and Reinforced MLLM-based Solutions
von: Liu, Bing, et al.
Veröffentlicht: (2025)

Towards Omnimodal Expressions and Reasoning in Referring Audio-Visual Segmentation
von: Ying, Kaining, et al.
Veröffentlicht: (2025)

SAM4MLLM: Enhance Multi-Modal Large Language Model for Referring Expression Segmentation
von: Chen, Yi-Chia, et al.
Veröffentlicht: (2024)

CaughtCheating: Is Your MLLM a Good Cheating Detective? Exploring the Boundary of Visual Perception and Reasoning
von: Li, Ming, et al.
Veröffentlicht: (2025)

TransRef: Multi-Scale Reference Embedding Transformer for Reference-Guided Image Inpainting
von: Liu, Taorong, et al.
Veröffentlicht: (2023)

RetouchIQ: MLLM Agents for Instruction-Based Image Retouching with Generalist Reward
von: Wu, Qiucheng, et al.
Veröffentlicht: (2026)

Arbitrary-Scale 3D Gaussian Super-Resolution
von: Zeng, Huimin, et al.
Veröffentlicht: (2025)

CodeDance: A Dynamic Tool-integrated MLLM for Executable Visual Reasoning
von: Song, Qi, et al.
Veröffentlicht: (2025)

Don't Judge by the Look: Towards Motion Coherent Video Representation
von: Zhang, Yitian, et al.
Veröffentlicht: (2024)

Look-Back: Implicit Visual Re-focusing in MLLM Reasoning
von: Yang, Shuo, et al.
Veröffentlicht: (2025)

ViRefSAM: Visual Reference-Guided Segment Anything Model for Remote Sensing Segmentation
von: Bi, Hanbo, et al.
Veröffentlicht: (2025)

GoT-R1: Unleashing Reasoning Capability of MLLM for Visual Generation with Reinforcement Learning
von: Duan, Chengqi, et al.
Veröffentlicht: (2025)

RefTok: Reference-Based Tokenization for Video Generation
von: Fan, Xiang, et al.
Veröffentlicht: (2025)

RefAlign: Representation Alignment for Reference-to-Video Generation
von: Wang, Lei, et al.
Veröffentlicht: (2026)

RefHCM: A Unified Model for Referring Perceptions in Human-Centric Scenarios
von: Huang, Jie, et al.
Veröffentlicht: (2024)

RefVSR++: Exploiting Reference Inputs for Reference-based Video Super-resolution
von: Zou, Han, et al.
Veröffentlicht: (2023)

Ref-SAM3D: Bridging SAM3D with Text for Reference 3D Reconstruction
von: Zhou, Yun, et al.
Veröffentlicht: (2025)