TraceVision: Trajectory-Aware Vision-Language Model for Human-Like Spatial Understanding
TraceVision通过整合轨迹感知的空间理解,实现了类人空间认知,提升视觉-语言模型在轨迹引导任务中的表现。
2026-02-24 cs.CV
Vision-Language Pre-training with Object Contrastive Learning for 3D Scene Understanding
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Research Center of Artificial Intelligence, Peng Cheng Laboratory(鹏城实验室人工智能研究中心)
提出3DVLP框架,通过对象级IoU引导检测损失及跨对比、自对比任务,有效提取通用3D视觉语言嵌入,在多个3D视觉语言下游任务上取得优异性能。
2023-05-18 cs.CV
Evaluating Attribute Comprehension in Large Vision-Language Models
Beijing University of Posts and Telecommunications(北京邮电大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
本文从属性识别和层级理解两个视角评估大型视觉语言模型的属性理解能力,发现模型属性识别良好但层级理解有限,ITM比ITC更适合属性理解,且微调描述中的属性信息至关重要。
2024-08-25 cs.CV
RAH-VLA: Resolution-Adaptive Hierarchical Vision-Language Alignment for Multimodal Remote Sensing Understanding
Tsinghua University(清华大学)
本文提出动态分辨率输入策略与多尺度视觉-语言对齐机制,提升遥感图像多模态解释的准确性和效率。
2026-09-09 cs.CV
Semantically Grounded QFormer for Efficient Vision Language Understanding
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊公司)
提出一种更高效的QFormer视觉语言对齐框架,利用QFormer潜变量直接调节冻结LLM的潜空间进行图像到文本生成,以减少预训练计算开销。
2024-12-16 cs.CV
EarthVL: A Progressive Earth Vision-Language Understanding and Generation Framework
EarthVL提出一种渐进式视觉-语言框架,通过多任务数据集和语义引导网络提升城市规划中的遥感目标识别与问答性能。
2026-01-06 cs.CV
Firebolt-VL: Efficient Vision-Language Understanding with Cross-Modality Modulation
Aalto University(阿尔托大学);University of South Dakota(南达科他大学)
本文提出Firebolt-VL模型,通过替换Transformer解码器为液态基础模型解码器,并引入Token-Grid相关模块,提升视觉语义理解效率与精度。
2026-04-07 cs.CV
IR3D-Bench: Evaluating Vision-Language Model Scene Understanding as Agentic Inverse Rendering
CUHK(香港中文大学);TJU(天津大学);EPFL(瑞士联邦理工学院);HKUST(香港科技大学);XMU(厦门大学);MIT(麻省理工学院)
本文提出 IR3D-Bench 基准,通过要求视觉语言智能体(VLAs)主动使用编程和渲染工具重建输入图像的 3D 结构来评估其场景理解能力,揭示了当前 VLMs 在视觉精度上的局限性。
2025-06-29 cs.CV
Reading Images Like Texts: Sequential Image Understanding in Vision-Language Models
Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出通过序列化方法理解图像内容,揭示视觉-语言模型中对象识别与空间感知的机制,改进解码效率并增强空间推理能力。
2026-02-09 cs.CV
Can Modern Vision Models Understand the Difference Between an Object and a Look-alike?
本文研究了现代视觉模型能否区分真实物体与相似物,通过构建RoLA数据集并改进CLIP模型的嵌入空间方向,提升跨模态检索和描述生成的性能。
2025-11-25 cs.CV
Leveraging Retrieval-Augmented Tags for Large Vision-Language Understanding in Complex Scenes
EDP University of Puerto Rico(波多黎各EDP大学)
提出VRAP框架,通过检索增强对象标签增强大型视觉语言模型,在复杂场景中实现细粒度对象感知推理,并在多个基准上达到最先进性能,同时降低40%推理延迟。
2024-12-16 cs.CV
Skeleton-and-Strategy Prompting: Training-Free Negation Understanding for Vision-Language Models
University of Southern California(南加州大学);Amazon Inc.(亚马逊公司)
针对视觉语言模型难以理解否定语义的问题,提出免训练的骨架与策略提示方法,通过抽象问题结构、检索同骨架示例并生成回答策略,在多个否定VQA基准上取得最先进性能且无需参数更新。
2026-10-02 cs.CV
Benchmarking Vision-Language Models for Microscopic Plant Image Understanding
The University of Queensland(昆士兰大学);Adelaide University(阿德莱德大学);University of Southern Queensland(南昆士兰大学)
提出PlantMicro基准,包含5000+图像和9000+VQA对,评估视觉语言模型在植物显微图像理解上的能力,发现现有模型在细粒度识别和生物学推理上表现不佳。
2026-06-25 cs.CV
An Approach to Enriching Surgical Video Datasets for Fine-Grained Spatial-Temporal Understanding of Vision-Language Models
Hamburg University of Technology(汉堡理工大学)
提出SurgSTU-Pipeline生成管道,通过时空连续性过滤创建细粒度时空问答数据集SurgSTU,提升视觉-语言模型在手术视频中的时空理解能力。
2026-06-29 cs.CV
DocSLM: A Small Vision-Language Model for Long Multimodal Document Understanding
Microsoft(微软公司);LMU Munich(慕尼黑大学);MCML;FAIR Meta(Meta FAIR);UNC Chapel Hill(北卡罗来纳大学教堂山分校)
DocSLM通过高效的小型视觉-语言模型,在受限内存下实现长多模态文档理解,使用更少的资源达到与先进方法相当的性能。
2025-11-21 cs.CV
Teaching Structured Vision&Language Concepts to Vision&Language Models
IBM Research(IBM研究院);Weizmann Institute of Science(魏茨曼科学研究所);Tel-Aviv University(特拉维夫大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
本文提出利用语言结构理解来改造现有视觉语言预训练数据,无需额外数据即可提升模型对物体属性、关系和状态等结构化概念的理解,实现最高15%的改进。
2023-05-30 cs.CV
MMFuser: Multimodal Multi-Layer Feature Fuser for Fine-Grained Vision-Language Understanding
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学现代软件技术国家重点实验室);Chinese University of Hong Kong(香港中文大学)
针对多模态大语言模型忽略浅层细粒度视觉信息且多编码器方法存在冗余的问题,提出MMFuser,利用深层语义特征作为查询动态提取浅层细节,在LLaVA-1.5上显著提升了视觉表示与基准性能。
2024-10-15 cs.CV
SKI Models: Skeleton Induced Vision-Language Embeddings for Understanding Activities of Daily Living
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Inria(法国国家信息与自动化研究所)
本文提出SKI模型,通过SkeletonCLIP将3D骨架信息注入视觉-语言模型,在推理时无需骨架数据即可提升ADL视频的零样本动作识别与视频描述生成能力。
2025-02-05 cs.CV
Cross-Layer Vision Smoothing: Enhancing Visual Understanding via Sustained Focus on Key Objects in Large Vision-Language Models
Beijing Institute of Technology(北京理工大学);Zhongguancun Academy(中关村学院);Tsinghua University(清华大学)
本文提出CLVS方法,通过跨层视觉记忆平滑注意力分布,提升大视觉-语言模型对关键对象的持续聚焦能力,从而增强视觉理解性能。
2025-11-25 cs.AI cs.CV
MEBench: A Novel Benchmark for Understanding Mutual Exclusivity Bias in Vision-Language Models
Georgia Institute of Technology(佐治亚理工学院);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
MEBench通过引入空间推理提升评估难度,评估视觉-语言模型对互斥偏差的处理能力,发现模型存在弱互斥偏差但能利用额外空间上下文解决歧义。
2026-04-16 cs.CV
UWBench: A Comprehensive Vision-Language Benchmark for Underwater Understanding
Institute of Artificial Intelligence (TeleAI), China Telecom, China(人工智能研究院(TeleAI)、中国电信)
针对大型视觉语言模型在水下场景应用不足的问题,本文提出包含1.5万余张图像与多类标注的UWBench水下视觉语言基准,构建三项任务并验证现有模型仍有较大提升空间,为相关研究与应用提供支撑。
2025-10-21 cs.CV
CoLLaVO: Crayon Large Language and Vision mOdel
KAIST(韩国科学技术院)
本文提出 CoLLaVO 模型,通过引入基于全景颜色图的 Crayon Prompt 视觉提示微调方案和 Dual QLoRA 学习策略,有效增强了视觉语言模型的物体级图像理解能力,并在零样本设置下的多个视觉语言基准上取得显著提升。
2024-06-02 cs.CV
BcQLM: Efficient Vision-Language Understanding with Distilled Q-Gated Cross-Modal Fusion
Department of Computer Science, Durham University(计算机科学系,杜伦大学)
提出轻量级多模态模型BcQLM,以12亿参数实现高效视觉问答,通过BreezeCLIP编码器和Q门控融合,在多个数据集上平衡准确性与效率,支持实际部署。
2025-09-10 cs.CV
MotionBench: Benchmarking and Improving Fine-grained Video Motion Understanding for Vision Language Models
Tsinghua University(清华大学);Zhipu AI(智谱AI)
MotionBench针对视觉语言模型在细粒度视频运动理解方面的不足,提出综合评估基准,通过六类运动导向问题类型评估模型运动层面感知能力,并提出Through-Encoder融合方法提升模型对有限序列长度内细粒度运动的感知。
2026-05-12 cs.CV
Enhanced Vision-Language Models for Diverse Sensor Understanding: Cost-Efficient Optimization and Benchmarking
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
提出传感器感知属性微调(SAFT)与多样负属性(DNA)优化,利用少量传感器数据克服RGB中心偏见,无需修改模型架构,显著提升非RGB传感器图像理解,并发布首个综合基准VS-TDX。
2026-07-07 cs.CV
Self-ReS: Self-Reflection in Large Vision-Language Models for Long Video Understanding
DeepNeuronic;NOVA LINCS, University of Beira Interior(NOVA LINCS,贝拉内里大学)
针对LVLMs在长视频理解中线性帧采样的不足,提出非线性时空自我反思采样方法SelfReS,利用稀疏注意力图动态选择关键片段,无需额外训练即可提升准确率并加速推理。
2025-06-27 cs.CV
RegionGPT: Towards Region Understanding Vision Language Model
The University of Hong Kong(香港大学);NVIDIA(英伟达)
本文提出 RGPT 框架,通过改进视觉编码器、任务引导提示和自动区域描述数据生成流程,增强 VLM 的区域级视觉理解与多任务性能。
2024-03-04 cs.CV
Understanding Degradation with Vision Language Model
School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University(人工智能学院、光学与电子学(iOPEN)、西北工业大学);Honors College, Northwestern Polytechnical University(荣誉学院、西北工业大学);Shanghai AI Laboratory(上海人工智能实验室);School of Artificial Intelligence, Shanghai Jiaotong University(人工智能学院、上海交通大学)
本文提出DU-VLM模型,通过结构化奖励强化学习解决视觉退化理解问题,引入大规模数据集并实现高保真图像恢复。
2026-02-04 cs.CV
MoVA: Adapting Mixture of Vision Experts to Multimodal Context
CUHK(香港中文大学);SenseTime Research(商汤科技研究院);Shanghai AI Laboratory(上海人工智能实验室);CPII under InnoHK(InnoHK下属CPII机构)
针对单一视觉编码器存在任务偏差的问题,提出新型多模态大语言模型MoVA,通过由粗到细的机制自适应路由融合多视觉专家,在多类多模态基准上取得显著性能提升。
2024-10-31 cs.CV
VISTA-Bench: Do Vision-Language Models Really Understand Visualized Text as Well as Pure Text?
Dalian University of Technology(大连理工大学);Nanyang Technological University(南洋理工大学)
VISTA-Bench通过对比纯文本和可视化文本问题,揭示了视觉-语言模型在处理可视化文本时的模态差距,发现模型在语义相同的情况下表现显著下降。
2026-07-23 cs.CV
DAVE: A VLM Vision Encoder for Document Understanding and Web Agents
MIT-IBM Watson AI Lab(MIT-IBM Watson AI实验室);UC Berkeley(加州大学伯克利分校);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
DAVE是一种专为文档理解和网络代理设计的视觉编码器,通过自监督和监督预训练结合模型融合策略,提升对文档和网络任务的适应性与性能。
2025-12-31 cs.CV
Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding
Johns Hopkins University(约翰霍普金斯大学);Microsoft(微软公司)
NDTokenizer3D通过多尺度NDT表示和解码器实现通用3D视觉-语言理解,提升3D场景任务性能。
2025-11-26 cs.CV
Semantic-Preserving Cross-Style Visual Reasoning for Robust Multi-Modal Understanding in Large Vision-Language Models
SANNO University(产业能率大学)
针对大型视觉-语言模型中的风格陷阱问题,提出SP-CSVR框架,通过风格-内容解耦、少样本适应和对比学习实现跨风格语义不变性,在视觉描述、问答和风格适应任务上达到最先进性能。
2025-10-26 cs.CV
DV-SFT: Direct Vision Supervision for Fine-Grained Visual Understanding
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);Zhongguancun Academy(中关村学院);Beihang University(北航);Zhongguancun Laboratory(中关村实验室);Southeast Academy of Information Technology, Beijing Institute of Technology(北京理工大学信息科学技术东南学院)
提出DV-SFT方法,通过为视觉令牌构建显式令牌级监督信号,利用OCR场景中的直接视觉-文本对应关系,在不修改模型架构或增加前向传播的情况下,显著提升多模态大语言模型的细粒度视觉理解能力。
2026-05-26 cs.CV
GenAU: Language-Grounded Industrial Anomaly Understanding with Vision-Language Models
Corporate Research, Robert Bosch GmbH(罗伯特·博世有限公司企业研究部);Otto-von-Guericke-University Magdeburg(马格德堡奥托·冯·格里克大学);University of Southampton(南安普顿大学)
提出GenAU框架,统一图像级检测、像素级分割、多类型异常检测和缺陷分析,通过两个分割标记实现语言引导的定位,在VisA和Real-IAD上取得最优零样本检测性能。
2026-07-02 cs.CV
GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding
College of Computer Science and Technology, Jilin University, Changchun 130012, China(吉林大学计算机科学与技术学院,长春 130012,中国);Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education(教育部符号计算与知识工程重点实验室)
本文提出GeoDiT,一种基于扩散的视觉-语言模型,用于地理空间理解。该模型通过并行细化过程实现整体粗到细的合成,解决了传统自回归模型在结构化输出生成中的不足。
2026-03-24 cs.CV
Decoupling the components of geometric understanding in Vision Language Models
Google DeepMind(谷歌DeepMind);UC Berkeley(加州大学伯克利分校)
本研究通过认知科学范式评估视觉语言模型对简单几何概念的视觉理解能力,发现其表现逊色于人类且在心理旋转任务中缺乏鲁棒性,揭示了人机几何理解起源的差异。
2025-03-05 cs.CV cs.LG
In-Context Learning Improves Compositional Understanding of Vision-Language Models
University of Amsterdam(阿姆斯特丹大学)
本文通过广泛基准测试探究视觉-语言模型组合理解不足的原因,并提出利用上下文学习提升其复杂推理能力,在多个数据集上超越基线。
2024-07-22 cs.AI cs.CV
Understanding Cross-Modal Contributions in Continual Vision-Language Models: A Theoretical Perspective
San Diego State University(圣地亚哥州立大学)
本文从理论角度分析连续视觉-语言模型中跨模态(视觉-语言)贡献,提出新视角并通过实验验证其有效性,揭示任务顺序和相似性对贡献鲁棒性的影响,提升泛化性能。
2026-09-09 cs.CV cs.LG
On Efficient Language and Vision Assistants for Visually-Situated Natural Language Understanding: What Matters in Reading and Reasoning
NAVER Cloud AI(NAVER云AI);KAIST AI(韩国科学技术院AI)
针对当前视觉语言助手透明度不足、复杂视觉场景文本理解任务计算成本高的问题,研究通过策略构建数据集、优化视觉模块等方式,在受限推理成本下实现了性能与吞吐量的兼顾,并将开源相关资源。
2024-10-06 cs.CL cs.CV
KAFA: Rethinking Image Ad Understanding with Knowledge-Augmented Feature Adaptation of Vision-Language Models
UC San Diego(加州大学圣地亚哥分校);Google(谷歌)
本文首次基于预训练视觉-语言模型研究图像广告理解,提出知识增强的多模态特征适配策略KAFA,以提升对复杂广告场景的理解能力。
2023-05-28 cs.CL cs.CV
Unified Multimodal Pre-training and Prompt-based Tuning for Vision-Language Understanding and Generation
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
大多数现有的视觉语言预训练方法专注于理解任务,并在预训练期间使用BERT类目标(掩蔽语言建模和图像-文本匹配)。虽然它们在许多理解下游任务中表现良好,例如,视觉问答、图文检索和视觉蕴涵等,它们不具备生成能力。为了解决这个问题,我们提出了统一的多模态预训练的视觉-语言理解和生成(UniVL)。所提出的UniVL能够处理理解任务和生成任务。我们增强了现有的预训练范例,这些范例仅使用随机掩码和因果掩码,即,三角形掩码,用于屏蔽未来的令牌,这样预先训练的模型可以通过设计具有自回归生成能力。我们制定了几个以前的理解任务作为一个文本生成任务,并建议使用基于JavaScript的方法进行微调不同的下游任务。我们的实验表明,在使用相同的模型时,理解任务和生成任务之间存在权衡,而改善这两个任务的可行方法是使用更多的数据。我们的UniVL框架在理解任务和生成任务上的性能与最近的视觉语言预训练方法相当。此外,我们还证明了基于统计的微调更有效-它在Few-Shot场景中优于判别方法。
2021-12-15 cs.CL cs.CV cs.LG
Adapting Vision-Language Models for E-commerce Understanding at Scale
eBay Inc.(eBay公司);University of Amsterdam(阿姆斯特丹大学)
本文提出了一种方法,通过大规模实验研究,展示如何通过针对性适应通用视觉-语言模型以提升电子商务性能,同时保持多模态能力,并提出新的评估套件。
2026-02-12 cs.AI cs.CV
MolSight: A Graph-Aware Vision-Language Model for Unified Chemical Image Understanding
Renmin University of China(中国人民大学)
提出MolSight框架,通过分子拓扑模块和分子接地模块增强视觉语言模型对分子图像的结构理解,在多项化学视觉理解任务中显著优于现有模型。
2026-08-03 cs.AI cs.CV q-bio.BM
Vision-Language Models Do Not Understand Negation
Institution1(机构1);Institution2(机构2)
本文提出NegBench评估VLM的否定理解能力,发现现有模型常接近随机水平,并通过合成否定字幕微调CLIP显著提升检索与选择题表现。
2025-05-13 cs.CL cs.CV
Distilled Dual-Encoder Model for Vision-Language Understanding
Harbin Institute of Technology(哈尔滨工业大学);Microsoft Research(微软研究院);Peng Cheng Laboratory(鹏城实验室)
我们提出了一个跨模态注意力蒸馏框架,用于训练视觉-语言理解任务的双编码器模型,例如视觉推理和视觉问答。双编码器模型比融合编码器模型具有更快的推理速度,并且能够在推理过程中对图像和文本进行预计算。然而,在双编码器模型中使用的浅层交互模块不足以处理复杂的视觉-语言理解任务。为了学习图像和文本的深度交互,我们引入了跨模态注意力蒸馏,它使用融合编码器模型的图像到文本和文本到图像的注意力分布来指导我们的双编码器模型的训练。此外,我们表明,在预训练和微调阶段应用跨模态注意力蒸馏可以实现进一步的改进。实验结果表明,在视觉推理、视觉蕴涵和视觉问答任务中,提取的双编码器模型在推理速度上比融合编码器模型有更快的表现.我们的代码和模型将在https://github.com/kugwzk/Distilled-DualEncoder上公开。
2022-10-17 cs.CL cs.CV
InsightSee: Advancing Multi-agent Vision-Language Models for Enhanced Visual Understanding
Academy for Engineering and Technology, Fudan University(复旦大学工程技术学院)
本文提出多智能体框架InsightSee,通过描述、推理和决策智能体协同优化视觉信息解释,有效提升了视觉语言模型在复杂场景下的视觉理解能力,并在9项基准测试的6项中超越现有算法。
2024-05-31 cs.AI cs.CV
FrEVL: Leveraging Frozen Pretrained Embeddings for Efficient Vision-Language Understanding
Department of Engineering Science, University of Oxford(牛津大学工程科学系);Department of Electrical Engineering, Imperial College London(伦敦帝国学院电子工程系)
FrEVL框架利用冻结预训练嵌入实现高效视觉-语言理解,以少量参数达到SOTA的85%-95%,并带来2.3倍加速和52%能耗降低,为部署提供实用指导。
2025-08-06 cs.CL cs.CV
CVLUE: A New Benchmark Dataset for Chinese Vision-Language Understanding Evaluation
Zhejiang Lab(之江实验室);Harbin Institute of Technology(哈尔滨工业大学)
本文提出由中文母语者驱动的CVLUE基准数据集,涵盖图像-文本检索、视觉问答、视觉定位和视觉对话四个任务,用于评估视觉-语言模型在中国文化背景下的理解能力,并通过基线实验揭示现有模型缺乏中国文化知识以及微调可有效改善该问题。
2024-07-01 cs.CL cs.CV
Understanding Retrieval-Augmented Task Adaptation for Vision-Language Models
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文系统研究了检索增强适应中单模态与跨模态检索的作用,揭示logit集成的关键性,并给出理论支撑,为视觉-语言模型在低数据场景下的适应提供新见解。
2024-05-02 cs.AI cs.CV cs.LG
LLaVA-SG: Leveraging Scene Graphs as Visual Semantic Expression in Vision-Language Models
Tsinghua University(清华大学);Xiaomi AI Lab(小米AI实验室)
本文提出LLaVA-SG,通过在视觉语言模型中引入场景图表达模块,解决ViT图像分块导致的碎片化感知问题,提升模型的视觉语义理解能力。
2024-08-30 cs.AI cs.CV
ChatBEV: Empowering Traffic Scene Understanding and Simulation via Vision-Language Model
Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);Tongji University(同济大学)
本文提出ChatBEV及其基准ChatBEV-QA,通过微调视觉-语言模型实现鸟瞰图场景理解,并集成到语言引导的交通仿真中,显著降低轨迹误差和碰撞率。
2026-09-09 cs.AI cs.CV
Semantic Abstraction: Open-World 3D Scene Understanding from 2D Vision-Language Models
Columbia University(哥伦比亚大学)
我们研究开放世界的3D场景理解,一个家庭的任务,需要代理人的原因与一个开放的词汇和域外的视觉输入的3D环境-机器人在非结构化的3D世界中操作的关键技能。为此,我们提出了语义抽象(SemAbs),一个框架,配备2D视觉语言模型(VLM)与新的3D空间功能,同时保持其zero-shot鲁棒性。我们使用从CLIP中提取的关联图来实现这种抽象,并以语义不可知的方式在这些抽象之上学习3D空间和几何推理技能。我们证明了SemAbs在两个开放世界3D场景理解任务上的有用性:1)完成部分观察到的对象和2)从语言描述中定位隐藏对象。实验表明,SemAbs可以推广到新的词汇,材料/照明,类和域(即,真实世界的扫描)从有限的3D合成数据上训练。代码和数据可在https://semantic-abstraction.cs.columbia.edu/上获得
2022-12-06 cs.CV cs.RO
Index-Preserving Lightweight Token Pruning for Efficient Document Understanding in Vision-Language Models
Hana Institute of Technology, Hana TI(韩亚科技研究院(韩亚TI))
本文提出一种轻量级标记修剪方法,通过过滤非信息性背景区域来降低视觉-语言模型在文档理解任务中的计算成本,同时保持较高的准确性。
2026-03-04 cs.AI cs.CL cs.CV