السؤال والإجابة المرئية
تعد الإجابة على الأسئلة البصرية (VQA) جزءًا فرعيًا من مجال الرؤية الحاسوبية يهدف إلى تمكين الآلات من فهم محتوى الصور وتقديم إجابات دقيقة على الأسئلة المتعلقة بالصور من خلال تحليل متعدد الوسائط. الهدف الأساسي لهذا المهمة هو دمج المعلومات البصرية واللغوية لتعزيز قدرات الآلة على فهم المشهد. تحمل VQA قيمة كبيرة في التطبيقات مثل أنظمة المساعدة الذكية، بحث الصور، ومراجعة المحتوى، مما يساهم في تحسين تجربة التفاعل بين الإنسان والآلة بشكل طبيعي.
MM-Vet
GPT-4V
MM-Vet v2
ViP-Bench
GPT-4V-turbo-detail:high (Visual Prompt)
VQA v2 test-dev
BLIP-2 ViT-G OPT 6.7B (fine-tuned)
BenchLMM
GPT-4V
MMBench
CuMo-7B
MSRVTT-QA
Aurora (ours, r=64) Aurora (ours, r=64)
VQA v2 val
VQA v2 test-std
OFA
MMHal-Bench
MSVD-QA
PlotQA-D1
PlotQA-D2
VQA v2
Emu-I *
AMBER
RLAIF-V 12B
CLEVR
NeSyCoCo Neuro-Symbolic
COCO Visual Question Answering (VQA) real images 2.0 open ended
EarthVQA
SOBA
GQA
GRIT
OFA
MapEval-Visual
MM-Vet (w/o External Tools)
Emu-14B
TextVQA test-standard
PromptCap
V*bench
IVM-Enhanced GPT4-V
VisualMRC
LayoutT5 (Large)
VizWiz
Emu-I *
MS COCO