arXiv · 机器人与计算机视觉· Mennatullah Siam·· 23 天前AI 评分55
PixFoundation:像素级视觉基础模型的演进方向正确吗?
PixFoundation: Are We Heading in the Right Direction with Pixel-level Vision Foundation Models?
AI 导读
该工作针对像素级视觉基础模型在视觉问答任务中表现弱化的现象,提出了包含配对评估的新基准和提示词敏感性分析工具。研究证实简单基线即可匹敌部分专用模型,并揭示了 grounding 能力与输出 token 的对应关系不固定于指代表达本身。代码与数据集已公开,论文已被 TMLR 2026 接收。
来源:arXiv · 机器人与计算机视觉 · arxiv.org