跳到正文
arXiv · 机器人与计算机视觉· Yi-Cheng Wang, Chu-Song Chen·· 13 天前AI 评分48

Multimodal Graph RAG 如何突破长文档视觉理解局限

Multimodal Graph RAG for Long-range Visually Rich Document Understanding

AI 导读

针对多模态大模型在长文档中上下文受限且难以进行全局视觉问答的问题,该研究提出基于知识图的多模态检索增强生成方法。作者构建了包含参考摘要与支持事实的新基准 DLVQA,实验表明该方法在多跳问答及新基准上均优于现有 MMRAG 或知识图方案。论文已提交至 WACV 2027,代码与数据许可状态需查阅原文。

来源:arXiv · 机器人与计算机视觉 · arxiv.org