Buchumschlag

Zoom Consistency: A Free Confidence Signal in Multi-Step Visual Grounding Pipelines

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Keon, Chelikavada, Krish
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

AttZoom: Attention Zoom for Better Visual Features
von: DeAlcala, Daniel, et al.
Veröffentlicht: (2025)

AdaZoom-GUI: Adaptive Zoom-based GUI Grounding with Instruction Refinement
von: Pei, Siqi, et al.
Veröffentlicht: (2026)

Zoom in, Click out: Unlocking and Evaluating the Potential of Zooming for GUI Grounding
von: Jiang, Zhiyuan, et al.
Veröffentlicht: (2025)

Multi-task Visual Grounding with Coarse-to-Fine Consistency Constraints
von: Dai, Ming, et al.
Veröffentlicht: (2025)

Look-Closer-Then-Diagnose: Confidence-Aware Ultrasound VQA via Active Zooming
von: Zhou, Yue, et al.
Veröffentlicht: (2026)

Training-Free Consistency Pipeline for Fashion Repose
von: Aghilar, Potito, et al.
Veröffentlicht: (2025)

UI-Zoomer: Uncertainty-Driven Adaptive Zoom-In for GUI Grounding
von: Tang, Fei, et al.
Veröffentlicht: (2026)

VoCoT: Unleashing Visually Grounded Multi-Step Reasoning in Large Multi-Modal Models
von: Li, Zejun, et al.
Veröffentlicht: (2024)

Just Zoom In: Cross-View Geo-Localization via Autoregressive Zooming
von: Erzurumlu, Yunus Talha, et al.
Veröffentlicht: (2026)

SFUOD: Source-Free Unknown Object Detection
von: Park, Keon-Hee, et al.
Veröffentlicht: (2025)

CookAnything: A Framework for Flexible and Consistent Multi-Step Recipe Image Generation
von: Zhang, Ruoxuan, et al.
Veröffentlicht: (2025)

Dragonfly: Multi-Resolution Zoom-In Encoding Enhances Vision-Language Models
von: Thapa, Rahul, et al.
Veröffentlicht: (2024)

STEVE: A Step Verification Pipeline for Computer-use Agent Training
von: Lu, Fanbin, et al.
Veröffentlicht: (2025)

Zoom and Shift are All You Need
von: Qin, Jiahao
Veröffentlicht: (2024)

Progressive Language-guided Visual Learning for Multi-Task Visual Grounding
von: Wang, Jingchao, et al.
Veröffentlicht: (2025)

MEET: A Million-Scale Dataset for Fine-Grained Geospatial Scene Classification with Zoom-Free Remote Sensing Imagery
von: Li, Yansheng, et al.
Veröffentlicht: (2025)

WonderZoom: Multi-Scale 3D World Generation
von: Cao, Jin, et al.
Veröffentlicht: (2025)

A Simple and Effective Temporal Grounding Pipeline for Basketball Broadcast Footage
von: Harris, Levi
Veröffentlicht: (2024)

LCV2: An Efficient Pretraining-Free Framework for Grounded Visual Question Answering
von: Chen, Yuhan, et al.
Veröffentlicht: (2024)

Seeing the Unseen: Zooming in the Dark with Event Cameras
von: Kai, Dachun, et al.
Veröffentlicht: (2026)

Step-Level Visual Grounding Faithfulness Predicts Out-of-Distribution Generalization in Long-Horizon Vision-Language Models
von: Rahman, Md Ashikur, et al.
Veröffentlicht: (2026)

AnatomicalNets: A Multi-Structure Segmentation and Contour-Based Distance Estimation Pipeline for Clinically Grounded Lung Cancer T-Staging
von: Chowdhury, Saniah Kayenat, et al.
Veröffentlicht: (2025)

Lights, Camera, Consistency: A Multistage Pipeline for Character-Stable AI Video Stories
von: Jain, Chayan, et al.
Veröffentlicht: (2025)

GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents
von: Wu, Qianhui, et al.
Veröffentlicht: (2025)

VG-CoT: Towards Trustworthy Visual Reasoning via Grounded Chain-of-Thought
von: Lim, Byeonggeuk, et al.
Veröffentlicht: (2026)

Your Large Vision-Language Model Only Needs A Few Attention Heads For Visual Grounding
von: Kang, Seil, et al.
Veröffentlicht: (2025)

GreenEye: Development of Real-Time Traffic Signal Recognition System for Visual Impairments
von: Kim, Danu
Veröffentlicht: (2024)

Consist-Retinex: One-Step Noise-Emphasized Consistency Training Accelerates High-Quality Retinex Enhancement
von: Xu, Jian, et al.
Veröffentlicht: (2025)

AgroVG: A Large-Scale Multi-Source Benchmark for Agricultural Visual Grounding
von: Li, Haocheng, et al.
Veröffentlicht: (2026)

SimVG: A Simple Framework for Visual Grounding with Decoupled Multi-modal Fusion
von: Dai, Ming, et al.
Veröffentlicht: (2024)

Iterative Zoom-In: Temporal Interval Exploration for Long Video Understanding
von: Li, Chenglin, et al.
Veröffentlicht: (2025)

YOLO-Based Pipeline Monitoring in Challenging Visual Environments
von: Dhungana, Pragya, et al.
Veröffentlicht: (2025)

ROVER: Routing Object-Centric Visual Evidence for Grounded Multi-Image Reasoning
von: Lv, Guannan, et al.
Veröffentlicht: (2026)

PathGLS: Evaluating Pathology Vision-Language Models without Ground Truth through Multi-Dimensional Consistency
von: Chen, Minbing, et al.
Veröffentlicht: (2026)

Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment
von: Kim, Bryan Sangwoo, et al.
Veröffentlicht: (2025)

Narrative Weaver: Towards Controllable Long-Range Visual Consistency with Multi-Modal Conditioning
von: Yao, Zhengjian, et al.
Veröffentlicht: (2026)

A Proxy Consistency Loss for Grounded Fusion of Earth Observation and Location Encoders
von: Wang, Zhongying, et al.
Veröffentlicht: (2026)

Thinking Diffusion: Penalize and Guide Visual-Grounded Reasoning in Diffusion Multimodal Language Models
von: Kim, Keuntae, et al.
Veröffentlicht: (2026)

Visual Position Prompt for MLLM based Visual Grounding
von: Tang, Wei, et al.
Veröffentlicht: (2025)

Towards Understanding Visual Grounding in Visual Language Models
von: Pantazopoulos, Georgios, et al.
Veröffentlicht: (2025)