arXiv · 机器人与计算机视觉· Kaiyu Wu, Beichen Zheng, Weiyao Huang, Keze Wang·· 2026-10-06精选AI 评分78
ReLaViS:基于循环潜空间视觉搜索的 GUI 元素定位方法
Recurrent Latent Visual Search for GUI Grounding
AI 导读
针对现有单步视觉定位难以处理小元素和密集布局的问题,本文提出 ReLaViS 模型,在 Qwen2.5-VL-7B 基础上实现单轮交互内的循环潜空间视觉搜索。该方法通过空间搜索头查询截图视觉令牌并聚合为潜证据进行反馈,结合从全局到局部的 GUI 感知归纳偏置。
推荐理由
提出 ReLaViS 模型,在单轮交互内实现循环潜空间视觉搜索,显著提升了 GUI 元素定位的准确率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org