Cross-Stage Coherence in Hierarchical Driving VQA: Explicit Baselines and Learned Gated Context Projectors
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Jain, Gautam Kumar, Markgraf, Carsten, Stähler, Julian |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
VQA-Levels: A Hierarchical Approach for Classifying Questions in VQA
par: Madaka, Madhuri Latha, et autres
Publié: (2025)
par: Madaka, Madhuri Latha, et autres
Publié: (2025)
Box-QAymo: Box-Referring VQA Dataset for Autonomous Driving
par: Etchegaray, Djamahl, et autres
Publié: (2025)
par: Etchegaray, Djamahl, et autres
Publié: (2025)
DeepTumorVQA: A Hierarchical 3D CT Benchmark for Stage-Wise Evaluation of Medical VLMs and Tool-Augmented Agents
par: Chen, Yixiong, et autres
Publié: (2026)
par: Chen, Yixiong, et autres
Publié: (2026)
Understanding the Role of the Projector in Knowledge Distillation
par: Miles, Roy, et autres
Publié: (2023)
par: Miles, Roy, et autres
Publié: (2023)
Kvasir-VQA: A Text-Image Pair GI Tract Dataset
par: Gautam, Sushant, et autres
Publié: (2024)
par: Gautam, Sushant, et autres
Publié: (2024)
A Multimodal-Multitask Framework with Cross-modal Relation and Hierarchical Interactive Attention for Semantic Comprehension
par: Rehman, Mohammad Zia Ur, et autres
Publié: (2025)
par: Rehman, Mohammad Zia Ur, et autres
Publié: (2025)
Explicit Correlation Learning for Generalizable Cross-Modal Deepfake Detection
par: Yu, Cai, et autres
Publié: (2024)
par: Yu, Cai, et autres
Publié: (2024)
Context-Gated Cross-Modal Perception with Visual Mamba for PET-CT Lung Tumor Segmentation
par: Ayllón, Elena Mulero, et autres
Publié: (2025)
par: Ayllón, Elena Mulero, et autres
Publié: (2025)
HELM: Hierarchical and Explicit Label Modeling with Graph Learning for Multi-Label Image Classification
par: Stoimchev, Marjan, et autres
Publié: (2026)
par: Stoimchev, Marjan, et autres
Publié: (2026)
Caption First, VQA Second: Knowledge Density, Not Task Format, Drives Multimodal Scaling
par: Zou, Hongjian, et autres
Publié: (2026)
par: Zou, Hongjian, et autres
Publié: (2026)
Improving VQA Reliability: A Dual-Assessment Approach with Self-Reflection and Cross-Model Verification
par: Wu, Xixian, et autres
Publié: (2025)
par: Wu, Xixian, et autres
Publié: (2025)
Training-Free Representation Guidance for Diffusion Models with a Representation Alignment Projector
par: Zu, Wenqiang, et autres
Publié: (2026)
par: Zu, Wenqiang, et autres
Publié: (2026)
Device-aware Optical Adversarial Attack for a Portable Projector-camera System
par: Jiang, Ning, et autres
Publié: (2025)
par: Jiang, Ning, et autres
Publié: (2025)
QMoP: Query Guided Mixture-of-Projector for Efficient Visual Token Compression
par: Li, Zhongyang, et autres
Publié: (2026)
par: Li, Zhongyang, et autres
Publié: (2026)
LLaVA-Octopus: Unlocking Instruction-Driven Adaptive Projector Fusion for Video Understanding
par: Sun, Boyuan, et autres
Publié: (2025)
par: Sun, Boyuan, et autres
Publié: (2025)
Re-purposing SAM into Efficient Visual Projectors for MLLM-Based Referring Image Segmentation
par: Yang, Xiaobo, et autres
Publié: (2025)
par: Yang, Xiaobo, et autres
Publié: (2025)
Hyperspectral Imaging-Based Perception in Autonomous Driving Scenarios: Benchmarking Baseline Semantic Segmentation Models
par: Shah, Imad Ali, et autres
Publié: (2024)
par: Shah, Imad Ali, et autres
Publié: (2024)
Is ChatGPT-5 Ready for Mammogram VQA?
par: Li, Qiang, et autres
Publié: (2025)
par: Li, Qiang, et autres
Publié: (2025)
Advancing Surgical VQA with Scene Graph Knowledge
par: Yuan, Kun, et autres
Publié: (2023)
par: Yuan, Kun, et autres
Publié: (2023)
Robusto-1 Dataset: Comparing Humans and VLMs on real out-of-distribution Autonomous Driving VQA from Peru
par: Cusipuma, Dunant, et autres
Publié: (2025)
par: Cusipuma, Dunant, et autres
Publié: (2025)
Dual Causal Inference: Integrating Backdoor Adjustment and Instrumental Variable Learning for Medical VQA
par: Xu, Zibo, et autres
Publié: (2026)
par: Xu, Zibo, et autres
Publié: (2026)
Refine and Align: Confidence Calibration through Multi-Agent Interaction in VQA
par: Pandey, Ayush, et autres
Publié: (2025)
par: Pandey, Ayush, et autres
Publié: (2025)
DriveGenVLM: Real-world Video Generation for Vision Language Model based Autonomous Driving
par: Fu, Yongjie, et autres
Publié: (2024)
par: Fu, Yongjie, et autres
Publié: (2024)
An Evaluation of GPT-4V and Gemini in Online VQA
par: Liu, Mengchen, et autres
Publié: (2023)
par: Liu, Mengchen, et autres
Publié: (2023)
KNVQA: A Benchmark for evaluation knowledge-based VQA
par: Cheng, Sirui, et autres
Publié: (2023)
par: Cheng, Sirui, et autres
Publié: (2023)
SkeleGuide: Explicit Skeleton Reasoning for Context-Aware Human-in-Place Image Synthesis
par: Wu, Chuqiao, et autres
Publié: (2026)
par: Wu, Chuqiao, et autres
Publié: (2026)
Back to the Baseline: Examining Baseline Effects on Explainability Metrics
par: Picard, Agustin Martin, et autres
Publié: (2025)
par: Picard, Agustin Martin, et autres
Publié: (2025)
Pedestrian Attribute Recognition via Hierarchical Cross-Modality HyperGraph Learning
par: Wang, Xiao, et autres
Publié: (2025)
par: Wang, Xiao, et autres
Publié: (2025)
A Framework for Cross-Domain Generalization in Coronary Artery Calcium Scoring Across Gated and Non-Gated Computed Tomography
par: Gokmen, Mahmut S., et autres
Publié: (2026)
par: Gokmen, Mahmut S., et autres
Publié: (2026)
ARIAL: An Agentic Framework for Document VQA with Precise Answer Localization
par: Mohammadshirazi, Ahmad, et autres
Publié: (2025)
par: Mohammadshirazi, Ahmad, et autres
Publié: (2025)
R^3-VQA: "Read the Room" by Video Social Reasoning
par: Niu, Lixing, et autres
Publié: (2025)
par: Niu, Lixing, et autres
Publié: (2025)
MISS: A Generative Pretraining and Finetuning Approach for Med-VQA
par: Chen, Jiawei, et autres
Publié: (2024)
par: Chen, Jiawei, et autres
Publié: (2024)
Better Supervised Fine-tuning for VQA: Integer-Only Loss
par: Qian, Baihong, et autres
Publié: (2025)
par: Qian, Baihong, et autres
Publié: (2025)
VQA$^2$: Visual Question Answering for Video Quality Assessment
par: Jia, Ziheng, et autres
Publié: (2024)
par: Jia, Ziheng, et autres
Publié: (2024)
AID4AD: Aerial Image Data for Automated Driving Perception
par: Lengerer, Daniel, et autres
Publié: (2025)
par: Lengerer, Daniel, et autres
Publié: (2025)
A Data-Centric Vision Transformer Baseline for SAR Sea Ice Classification
par: Mike-Ewewie, David, et autres
Publié: (2026)
par: Mike-Ewewie, David, et autres
Publié: (2026)
Fast globally optimal Truncated Least Squares point cloud registration with fixed rotation axis
par: Ivanov, Ivo, et autres
Publié: (2025)
par: Ivanov, Ivo, et autres
Publié: (2025)
LVD-GS: Gaussian Splatting SLAM for Dynamic Scenes via Hierarchical Explicit-Implicit Representation Collaboration Rendering
par: Zhu, Wenkai, et autres
Publié: (2025)
par: Zhu, Wenkai, et autres
Publié: (2025)
${C}^{3}$-GS: Learning Context-aware, Cross-dimension, Cross-scale Feature for Generalizable Gaussian Splatting
par: Hu, Yuxi, et autres
Publié: (2025)
par: Hu, Yuxi, et autres
Publié: (2025)
GCA-SUNet: A Gated Context-Aware Swin-UNet for Exemplar-Free Counting
par: Wu, Yuzhe, et autres
Publié: (2024)
par: Wu, Yuzhe, et autres
Publié: (2024)
Documents similaires
-
VQA-Levels: A Hierarchical Approach for Classifying Questions in VQA
par: Madaka, Madhuri Latha, et autres
Publié: (2025) -
Box-QAymo: Box-Referring VQA Dataset for Autonomous Driving
par: Etchegaray, Djamahl, et autres
Publié: (2025) -
DeepTumorVQA: A Hierarchical 3D CT Benchmark for Stage-Wise Evaluation of Medical VLMs and Tool-Augmented Agents
par: Chen, Yixiong, et autres
Publié: (2026) -
Understanding the Role of the Projector in Knowledge Distillation
par: Miles, Roy, et autres
Publié: (2023) -
Kvasir-VQA: A Text-Image Pair GI Tract Dataset
par: Gautam, Sushant, et autres
Publié: (2024)