Visual Question Answering on TextVQA (Clean and Adversarial Accuracy) benchmark leaderboard · SOTA2 Research

Visual Question Answering on TextVQA (Clean and Adversarial Accuracy)

0.371Accuracy (Clean)No defense

Evaluation Results

Method	Links
No defense2025.06		0.371	0.005	0
CLIPure2025.06		0.361	0.021	0.014
JPEG-DL2025.06		0.346	0.272	0.211
FARE22025.06		0.319	0.147	0.091
DiffCAP2025.06		0.283	0.29	0.289
FARE42025.06		0.276	0.158	0.109
TeCoA22025.06		0.241	0.121	0.088
No defense2025.06		0.238	0	0
JPEG-DL2025.06		0.234	0.159	0.131
FARE22025.06		0.216	0.041	0.019
DiffPure2025.06		0.209	0.22	0.222
TeCoA42025.06		0.207	0.126	0.093
CLIPure2025.06		0.205	0.068	0.088
FARE42025.06		0.186	0.034	0.029
DiffCAP2025.06		0.186	0.162	0.167
TeCoA22025.06		0.166	0.035	0.021
TeCoA42025.06		0.154	0.021	0.018
DiffPure2025.06		0.136	0.132	0.135