arXiv · 机器人与计算机视觉· Hamidreza Dastmalchi, Ali Cheraghian, Aijun An, Abdelwahed Khamis, Lars Petersson·· 2026-10-20AI 评分58
ATLAS:学习适应 LVLM 注意力以进行推理视频分割
ATLAS: Learning to Adapt LVLM Attention for Reasoning Video Segmentation
AI 导读
该论文针对推理视频对象分割任务,提出 ATLAS 框架将大型视觉语言模型(LVLM)中分散且嘈杂的原始注意力图转化为物体中心定位线索。该方法将所有层、头和模态的注意力视为结构化特征,融合高分辨率帧级空间信息与低分辨率视频级时序上下文,利用配备时序注意力和 FiLM 调制的轻量级 U-Net 生成粗分割热力图,再使用 SAM2 进行跨视频传播。
来源:arXiv · 机器人与计算机视觉 · arxiv.org