视觉大模型 / VLM

MosaicDoc: A Large-Scale Bilingual Benchmark for Visually Rich Document Understanding

Ketong Chen, Yuhao Chen, Yang Xue

机构 * Ketong Chen, Yuhao Chen, Yang Xue（作者） 纠错

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

From Pixels to Paths: A Multi-Agent Framework for Editable Scientific Illustration

Jianwen Sun, Fanrui Zhang, Yukang Feng, Chuanhao Li, Zizhen Li, Jiaxin Ai, Yifan Chang, Yu Dai, Kaipeng Zhang

机构 * Nankai University（南开大学） ； Shanghai Innovation Institute（上海创新研究院） ； Wuhan University（武汉大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

RzenEmbed: Towards Comprehensive Multimodal Retrieval

Weijian Jian, Yajun Zhang, Dawei Liang, Chunyu Xie, Yixiao He, Dawei Leng, Yuhui Yin

机构 * AI Research（360人工智能研究院） 纠错

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

Integrating Video and Text: A Balanced Approach to Multimodal Summary Generation and Evaluation

Galann Pennec, Zhengyuan Liu, Nicholas Asher, Philippe Muller, Nancy F. Chen

机构 * IRIT, University of Toulouse, France（IRIT，图卢兹大学，法国） ； Institute for Infocomm Research (I 2 R), A*STAR, Singapore（信息通信研究所（I2R），A*STAR，新加坡） ； CNRS, IRIT, France（CNRS，IRIT，法国） 纠错

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

Model-Document Protocol for AI Search

Hongjin Qian, Zheng Liu

机构 * BAAI（北京人工智能研究院） 纠错

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

Comments 10 pages

V-SAT: Video Subtitle Annotation Tool

Arpita Kundu, Joyita Chakraborty, Anindita Desarkar, Aritra Sen, Srushti Anil Patil, Vishwanathan Raman

机构 * LTIMindTree 纠错

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

InstanceAssemble: Layout-Aware Image Generation via Instance Assembling Attention

Qiang Xiang, Shuang Sun, Binglei Li, Dejia Song, Huaxia Li, Nemo Chen, Xu Tang, Yao Hu, Junping Zhang

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

Comments Accepted in NeurIPS 2025

Exploring a Unified Vision-Centric Contrastive Alternatives on Multi-Modal Web Documents

Yiqi Lin, Alex Jinpeng Wang, Linjie Li, Zhengyuan Yang, Mike Zheng Shou

机构 * Show Lab, National University of Singapore（新加坡国立大学展示实验室） ； Central South University（中南大学） ； Microsoft（微软公司） 纠错

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

Comments Project page: this https://linyq17.github.io/VC2L/

ChartGalaxy: A Dataset for Infographic Chart Understanding and Generation

Zhen Li, Duan Li, Yukai Guo, Xinyuan Guo, Bowen Li, Lanxi Xiao, Shenyu Qiao, Jiashu Chen, Zijian Wu, Hui Zhang, Xinhuan Shu, Shixia Liu

机构 * Tsinghua University（清华大学） ； Newcastle University（新castle大学） 纠错

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

Comments 58 pages

Doc2SAR: A Synergistic Framework for High-Fidelity Extraction of Structure-Activity Relationships from Scientific Documents

Jiaxi Zhuang, Kangning Li, Jue Hou, Mingjun Xu, Zhifeng Gao, Hengxing Cai

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

Automatic Text Box Placement for Supporting Typographic Design

Jun Muraoka, Daichi Haraguchi, Naoto Inoue, Wataru Shimoda, Kota Yamaguchi, Seiichi Uchida

机构 * Kyushu University（九州大学） ； CyberAgent 纠错

专题命中 文档图表理解 ：VLM(abstract)；分类 cs.CV

WebRenderBench: Enhancing Web Interface Generation through Layout-Style Consistency and Reinforcement Learning

Peichao Lai, Jinhui Zhuang, Kexuan Zhang, Ningchang Xiong, Shengjie Wang, Yanwei Xu, Chong Chen, Yilei Wang, Bin Cui

机构 * Peking University（北京大学） ； Xiamen Huaxia University（厦门华夏大学） ； Fuzhou University（福州市大学） ； City University of Hong Kong（香港城市大学） ； Huawei Cloud BU（华为云业务单元） 纠错

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

MarkushGrapher: Joint Visual and Textual Recognition of Markush Structures

Lucas Morin, Valéry Weber, Ahmed Nassar, Gerhard Ingmar Meijer, Luc Van Gool, Yawei Li, Peter Staar

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

Can AI agents understand spoken conversations about data visualizations in online meetings?

Rizul Sharma, Tianyu Jiang, Seokki Lee, Jillian Aurisano

机构 * DaVInCi Laboratory（DaVInCi实验室） ； University of Cincinnati（克利夫兰大学） 纠错

专题命中 文档图表理解 ：VLM(abstract)；分类 cs.AI

Journal ref The 2nd MERCADO Workshop at IEEE VIS 2025: Multimodal Experiences for Remote Communication Around Data Online, IEEE VIS 2025

CEMTM: Contextual Embedding-based Multimodal Topic Modeling

Amirhossein Abaskohi, Raymond Li, Chuyuan Li, Shafiq Joty, Giuseppe Carenini

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

Comments EMNLP 2025

OpusAnimation: Code-Based Dynamic Chart Generation

Bozheng Li, Miao Yang, Zhenhan Chen, Jiawang Cao, Mushui Liu, Yi Lu, Yongliang Wu, Bin Zhang, Yangguang Ji, Licheng Tang, Jay Wu, Wenbo Zhu

机构 * Opus AI Research（Opus人工智能研究机构） ； Brown University（布朗大学） ； Zhejiang University（浙江大学） ； University of Toronto（多伦多大学） 纠错

专题命中 文档图表理解 ：MLLM(abstract)；分类 cs.CV

Comments working in progress

DisCo-Layout: Disentangling and Coordinating Semantic and Physical Refinement in a Multi-Agent Framework for 3D Indoor Layout Synthesis

Jialin Gao, Donghao Zhou, Mingjian Liang, Lihao Liu, Chi-Wing Fu, Xiaowei Hu, Pheng-Ann Heng

机构 * The Chinese University of Hong Kong（香港中文大学） ； Monash University（墨尔本大学） ； Amazon（亚马逊） ； South China University of Technology（华南理工大学） 纠错

专题命中 文档图表理解 ：VLM(abstract)；分类 cs.CV

MME-VideoOCR: Evaluating OCR-Based Capabilities of Multimodal LLMs in Video Scenarios

Yang Shi, Huanqian Wang, Wulin Xie, Huanyao Zhang, Lijie Zhao, Yi-Fan Zhang, Xinfeng Li, Chaoyou Fu, Zhuoer Wen, Wenting Liu, Zhuoran Zhang, Xinlong Chen, Bohan Zeng, Sihan Yang, Yushuo Guan, Zhang Zhang, Liang Wang, Haoxuan Li, Zhouchen Lin, Yuanxing Zhang, Pengfei Wan, Haotian Wang, Wenjing Yang

机构 * Kling Team（Kling团队） ； PKU（北京大学） ； THU（清华大学） ； CASIA（中国科学院自动化研究所） ； CUHKSZ（香港科技大学） ； NTU（国立台湾大学） ； NJU（南京大学） ； XJTU（吉林大学） 纠错

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

Comments Accepted by NeurIPS 2025

On the Perception Bottleneck of VLMs for Chart Understanding

Junteng Liu, Weihao Zeng, Xiwen Zhang, Yijun Wang, Zifei Shan, Junxian He

机构 * The Hong Kong University of Science and Technology（香港理工大学） 纠错

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

Comments EMNLP 2025: Camera-ready version

Logics-Parsing Technical Report

Xiangyang Chen, Shuzhao Li, Xiuwen Zhu, Yongfan Chen, Fan Yang, Cheng Fang, Lin Qu, Xiaoxiao Xu, Hu Wei, Minggang Wu

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

Multi-Modal Semantic Parsing for the Interpretation of Tombstone Inscriptions

Xiao Zhang, Johan Bos

机构 * University of Groningen（格罗宁根大学） 纠错

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

Comments ACMMM 2025

Are We on the Right Way for Assessing Document Retrieval-Augmented Generation?

Wenxuan Shen, Mingjia Wang, Yaochen Wang, Dongping Chen, Junjie Yang, Yao Wan, Weiwei Lin

机构 * South China University of Technology（华南理工大学） ； Huazhong University of Science and Technology（华中科技大学） ； University of Maryland（马里兰大学） 纠错

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

Comments In submission. Project website: https://double-bench.github.io/

DocTron-Formula: Generalized Formula Recognition in Complex and Structured Scenarios

Yufeng Zhong, Zhixiong Zeng, Lei Chen, Longrong Yang, Liming Zheng, Jing Huang, Siqi Yang, Lin Ma

机构 * Meituan（美团） 纠错

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

Multi-Agent Interactive Question Generation Framework for Long Document Understanding

Kesen Wang, Daulet Toibazar, Abdulrahman Alfulayt, Abdulaziz S. Albadawi, Ranya A. Alkahtani, Asma A. Ibrahim, Haneen A. Alhomoud, Sherif Mohamed, Pedro J. Moreno

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

DEFAME: Dynamic Evidence-based FAct-checking with Multimodal Experts

Tobias Braun, Mark Rothermel, Marcus Rohrbach, Anna Rohrbach

机构 * Technical University of Darmstadt \& hessian.AI, Germany 纠错

专题命中 文档图表理解 ：MLLM(abstract)；分类 cs.CV

Comments ICML 2025 version. 9 pages main paper, 35 pages with appendix, 18 figures and 7 tables. Corrected two inconsistent numbers in Table 2

FreeCus: Free Lunch Subject-driven Customization in Diffusion Transformers

Yanbing Zhang, Zhe Wang, Qin Zhou, Mengping Yang

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

Comments Accepted by ICCV 2025

Docopilot: Improving Multimodal Models for Document-Level Understanding

Yuchen Duan, Zhe Chen, Yusong Hu, Weiyun Wang, Shenglong Ye, Botian Shi, Lewei Lu, Qibin Hou, Tong Lu, Hongsheng Li, Jifeng Dai, Wenhai Wang

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Nanjing University（南京大学） ； Nankai University（南开大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； SenseTime Research（商汤科技研究院） 纠错

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

DeQA-Doc: Adapting DeQA-Score to Document Image Quality Assessment

Junjie Gao, Runze Liu, Yingzhe Peng, Shujian Yang, Jin Zhang, Kai Yang, Zhiyuan You

机构 * Ant Group（蚂蚁集团） ； Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； CUHK（香港中文大学） ； MBZUAI（墨尔本大学人工智能研究所） 纠错

专题命中 文档图表理解 ：MLLM(abstract)；分类 cs.CV

LongDocURL: a Comprehensive Multimodal Long Document Benchmark Integrating Understanding, Reasoning, and Locating

Chao Deng, Jiale Yuan, Pi Bu, Peijie Wang, Zhong-Zhi Li, Jian Xu, Xiao-Hui Li, Yuan Gao, Jun Song, Bo Zheng, Cheng-Lin Liu

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（人工智能研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团） ； Zhongguancun Academy, Beijing（中关村学院，北京） 纠错

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

PaddleOCR 3.0 Technical Report

Cheng Cui, Ting Sun, Manhui Lin, Tingquan Gao, Yubo Zhang, Jiaxuan Liu, Xueqing Wang, Zelun Zhang, Changda Zhou, Hongen Liu, Yue Zhang, Wenyu Lv, Kui Huang, Yichao Zhang, Jing Zhang, Jun Zhang, Yi Liu, Dianhai Yu, Yanjun Ma

机构 * PaddlePaddle Team, Baidu Inc.（百度公司） 纠错

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