AI 大模型

视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2026-05-01 至 2026-05-01 共收录 2 篇信号源：cs.CV, cs.AI, cs.LG

1. 文档图表理解 2 篇

2604.25186 2026-05-01 cs.CV cs.CE cs.MM 70%

FCMBench-Video: Benchmarking Document Video Intelligence

FCMBench-Video：文档视频智能基准测试

Runze Cui, Fangxin Shang, Yehui Yang, Qing Yang, Yanwu Xu, Tao Chen

机构 * AI Lab, Qifu Technology（启赋科技AI实验室）； College of Future Information Technology, Fudan University（复旦大学未来信息学院）； School of Future Technology, South China University of Technology（华南理工大学未来技术学院）； Pazhou Lab（琶洲实验室）

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

AI总结本文提出FCMBench-Video基准测试，用于评估文档视频理解中的文档感知、时间定位和证据推理能力，通过真实场景数据验证系统性能，揭示不同任务的敏感性和能力差异。

2604.27361 2026-05-01 cs.CV cs.GR 57%

CasLayout: Cascaded 3D Layout Diffusion for Indoor Scene Synthesis with Implicit Relation Modeling

CasLayout：基于级联3D布局扩散的室内场景合成与隐式关系建模

Yingrui Wu, Youkang Kong, Mingyang Zhao, Weize Quan, Dong-Ming Yan, Yang Liu

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences and School of Artificial Intelligence, University of Chinese Academy of Sciences（MAIS，自动化研究所，中国科学院，人工智能学院，中国科学院大学）； Tsinghua University（清华大学）； SKLMS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（系统科学研究所，中国科学院）； Microsoft Research Asia（微软亚洲研究院）

专题命中文档图表理解：vision language model(abstract)；分类 cs.CV

AI总结 CasLayout通过级联扩散框架将场景生成分解为四个阶段，结合物理与语义约束，提升生成效率与可控性，实现高质量室内场景合成。

Comments SIGGARPH 2026 (Journal Track), Code: https://github.com/YingruiWoo/CasLayout