Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.05515

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2507.05515 (cs)
[提交于 2025年7月7日 ]

标题: 用于增强现实中的多模态训练助手的细粒度视觉-语言建模

标题: Fine-Grained Vision-Language Modeling for Multimodal Training Assistants in Augmented Reality

Authors:Haochen Huang, Jiahuan Pei, Mohammad Aliannejadi, Xin Sun, Moonisa Ahsan, Pablo Cesar, Chuang Yu, Zhaochun Ren, Junxiao Wang
摘要: 视觉-语言模型(VLMs)对于使人工智能驱动的智能助手在多模态环境中进行解释和推理至关重要。 然而,它们在增强现实(AR)培训中的应用仍基本未被探索。 在本工作中,我们引入了一个针对AR培训的全面数据集,包含系统化的视觉-语言任务,并在该数据集上评估了九种最先进的VLMs。 我们的结果表明,即使是先进的模型,包括GPT-4o,在细粒度组装任务中也表现出困难,在状态检测上的最大F1分数仅为40.54%。 这些发现突显了对增强的数据集、基准测试和进一步研究的需求,以提高细粒度的视觉-语言对齐能力。 除了技术贡献外,我们的工作还具有更广泛的社会影响,特别是在为盲人和视力受损用户提供平等的人工智能驱动学习机会方面。 我们提供了所有相关资源,包括数据集、源代码和评估结果,以支持研究社区。
摘要: Vision-language models (VLMs) are essential for enabling AI-powered smart assistants to interpret and reason in multimodal environments. However, their application in augmented reality (AR) training remains largely unexplored. In this work, we introduce a comprehensive dataset tailored for AR training, featuring systematized vision-language tasks, and evaluate nine state-of-the-art VLMs on it. Our results reveal that even advanced models, including GPT-4o, struggle with fine-grained assembly tasks, achieving a maximum F1 score of just 40.54% on state detection. These findings highlight the demand for enhanced datasets, benchmarks, and further research to improve fine-grained vision-language alignment. Beyond technical contributions, our work has broader social implications, particularly in empowering blind and visually impaired users with equitable access to AI-driven learning opportunities. We provide all related resources, including the dataset, source code, and evaluation results, to support the research community.
评论: 20页
主题: 人工智能 (cs.AI) ; 计算与语言 (cs.CL); 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.05515 [cs.AI]
  (或者 arXiv:2507.05515v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.05515
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Jiahuan Pei [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 22:29:01 UTC (36,800 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CL
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号