视觉大模型 / VLM

Q-Zoom: Query-Aware Adaptive Perception for Efficient Multimodal Large Language Models

Q-Zoom：基于查询的自适应感知以实现高效多模态大语言模型

Yuheng Shi, Xiaohuan Pei, Linfeng Wen, Minjing Dong, Chang Xu

机构 * University of Sydney（悉尼大学） ； Sun Yat-sen University（中山大学） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 文档图表理解 ：multimodal large language model(title)；LLaVA(abstract)；分类 cs.CV、cs.AI

AI总结 Q-Zoom通过高效粗到细的框架优化多模态大语言模型的高分辨率感知，提升推理速度并保持精度，实验表明其在文档识别和高分辨率场景中表现优异。

Comments 16 pages, 9 figures

SDesc3D: Towards Layout-Aware 3D Indoor Scene Generation from Short Descriptions

SDesc3D：面向布局感知的短描述驱动的3D室内场景生成

Jie Feng, Jiawei Shen, Junjia Huang, Junpeng Zhang, Mingtao Feng, Weisheng Dong, Guanbin Li

机构 * Xidian University（西安电子科技大学） ； Sun Yat-sen University（中山大学） 纠错

专题命中 文档图表理解 ：grounding(abstract)；分类 cs.CV

AI总结 本文提出SDesc3D框架，通过多视角结构先验和区域功能暗示实现短描述驱动的3D室内场景生成，提升物理合理性和细节丰富度。