Buchumschlag

See, Remember, Explore: A Benchmark and Baselines for Streaming Spatial Reasoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wei, Yuxi, Huang, Wei, Chen, Qirui, Hou, Lu, Qi, Xiaojuan
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

Seeing, Listening, Remembering, and Reasoning: A Multimodal Agent with Long-Term Memory
von: Long, Lin, et al.
Veröffentlicht: (2025)

Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models
von: Zhou, Shengchao, et al.
Veröffentlicht: (2025)

Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline
von: Wei, Tianqi, et al.
Veröffentlicht: (2024)

SpatialEdit: Benchmarking Fine-Grained Image Spatial Editing
von: Xiao, Yicheng, et al.
Veröffentlicht: (2026)

Learning to See through Illumination Extremes with Event Streaming in Multimodal Large Language Models
von: Zhang, Baoheng, et al.
Veröffentlicht: (2026)

Seeing Across Views: Benchmarking Spatial Reasoning of Vision-Language Models in Robotic Scenes
von: Feng, Zhiyuan, et al.
Veröffentlicht: (2025)

Active Exploring like a Pigeon: Reinforcing Spatial Reasoning via Agentic Vision-Language Models
von: Deng, Wei, et al.
Veröffentlicht: (2026)

Grounding by Remembering: Cross-Scene and In-Scene Memory for 3D Functional Affordances
von: Wang, Qirui, et al.
Veröffentlicht: (2026)

Building Extraction from Remote Sensing Imagery under Hazy and Low-light Conditions: Benchmark and Baseline
von: Sang, Feifei, et al.
Veröffentlicht: (2026)

SimROD: A Simple Baseline for Raw Object Detection with Global and Local Enhancements
von: Xie, Haiyang, et al.
Veröffentlicht: (2025)

ArchSIBench: Benchmarking the Architectural Spatial Intelligence of Vision-Language Models
von: Shen, Qirui, et al.
Veröffentlicht: (2026)

Seeing Is Believing? A Benchmark for Multimodal Large Language Models on Visual Illusions and Anomalies
von: Hou, Wenjin, et al.
Veröffentlicht: (2026)

Multiple Object Tracking in Video SAR: A Benchmark and Tracking Baseline
von: Chen, Haoxiang, et al.
Veröffentlicht: (2025)

VCBench: A Streaming Counting Benchmark for Spatial-Temporal State Maintenance in Long Videos
von: Liu, Pengyiang, et al.
Veröffentlicht: (2026)

Event-based Tiny Object Detection: A Benchmark Dataset and Baseline
von: Chen, Nuo, et al.
Veröffentlicht: (2025)

ILLUME: Illuminating Your LLMs to See, Draw, and Self-Enhance
von: Wang, Chunwei, et al.
Veröffentlicht: (2024)

Towards Video Anomaly Detection from Event Streams: A Baseline and Benchmark Datasets
von: Wu, Peng, et al.
Veröffentlicht: (2026)

Multi-Modal Building Change Detection for Large-Scale Small Changes: Benchmark and Baseline
von: Wang, Ye, et al.
Veröffentlicht: (2026)

InfiniBench: Infinite Benchmarking for Visual Spatial Reasoning with Customizable Scene Complexity
von: Wang, Haoming, et al.
Veröffentlicht: (2025)

Spatial-DISE: A Unified Benchmark for Evaluating Spatial Reasoning in Vision-Language Models
von: Huang, Xinmiao, et al.
Veröffentlicht: (2025)

Thinking in Space: How Multimodal Large Language Models See, Remember, and Recall Spaces
von: Yang, Jihan, et al.
Veröffentlicht: (2024)

Seeing the Unseen in Low-light Spike Streams
von: Hu, Liwen, et al.
Veröffentlicht: (2025)

CausalSpatial: A Benchmark for Object-Centric Causal Spatial Reasoning
von: Ma, Wenxin, et al.
Veröffentlicht: (2026)

Think-as-You-See: Streaming Chain-of-Thought Reasoning for Large Vision-Language Models
von: Zhang, Jialiang, et al.
Veröffentlicht: (2026)

MeMix: Writing Less, Remembering More for Streaming 3D Reconstruction
von: Dong, Jiacheng, et al.
Veröffentlicht: (2026)

Gait Recognition in the Wild: A Large-scale Benchmark and NAS-based Baseline
von: Guo, Xianda, et al.
Veröffentlicht: (2022)

SPR-128K: A New Benchmark for Spatial Plausibility Reasoning with Multimodal Large Language Models
von: Hu, Zhiyuan, et al.
Veröffentlicht: (2025)

MonoSR: Open-Vocabulary Spatial Reasoning from Monocular Images
von: Wang, Qirui, et al.
Veröffentlicht: (2025)

PhysEditBench: A Protocol-Conditioned Benchmark for Dense Physical-Map Prediction with Image Editors
von: Yang, Jiaxin, et al.
Veröffentlicht: (2026)

OpenStereo: A Comprehensive Benchmark for Stereo Matching and Strong Baseline
von: Guo, Xianda, et al.
Veröffentlicht: (2023)

Semantic Correspondence: Unified Benchmarking and a Strong Baseline
von: Zhang, Kaiyan, et al.
Veröffentlicht: (2025)

You Only Speak Once to See
von: Yang, Wenhao, et al.
Veröffentlicht: (2024)

A Semi-supervised Nighttime Dehazing Baseline with Spatial-Frequency Aware and Realistic Brightness Constraint
von: Cong, Xiaofeng, et al.
Veröffentlicht: (2024)

3DSRBench: A Comprehensive 3D Spatial Reasoning Benchmark
von: Ma, Wufei, et al.
Veröffentlicht: (2024)

PhoStream: Benchmarking Real-World Streaming for Omnimodal Assistants in Mobile Scenarios
von: Lu, Xudong, et al.
Veröffentlicht: (2026)

Seeing Together: Multi-Robot Cooperative Egocentric Spatial Reasoning with Multimodal Large Language Models
von: Peng, Kunyu, et al.
Veröffentlicht: (2026)

Real-World Remote Sensing Image Dehazing: Benchmark and Baseline
von: Zhu, Zeng-Hui, et al.
Veröffentlicht: (2025)

Learning Streaming Video Representation via Multitask Training
von: Yan, Yibin, et al.
Veröffentlicht: (2025)

Enhancing Video-LLM Reasoning via Agent-of-Thoughts Distillation
von: Shi, Yudi, et al.
Veröffentlicht: (2024)

X-Stream: Exploring MLLMs as Multiplexers for Multi-Stream Understanding
von: Sun, Peiwen, et al.
Veröffentlicht: (2026)