跳到正文
arXiv · 机器人与计算机视觉· Mohammed Hassan (Celine), Zhenyang Chen (Celine), Zheng Wang (Celine), Zhixin Zhu (Celine), Tianlong Chen (Celine), Yingyan (Celine), Lin, Chaojian Li·· 13 天前AI 评分68

T3R:面向高效鲁棒 VLA 模型的免训练两阶段 Token 精炼方法

T3R: Training-Free Two-Stage Token Refinement Towards Efficient and Robust VLA Models

AI 导读

针对视觉语言动作模型推理昂贵且易受背景干扰的问题,论文提出 T3R 框架,通过分割引导剪枝移除无关视觉 Patch,再利用显著性引导注意力偏置聚焦关键区域。在 LIBERO-Spatial 基准上,该方法去除 85% 的视觉 Token 同时保持成功率,并在分布外扰动下提升最多 7 个百分点,推理耗时降低约 3.3 倍。

来源:arXiv · 机器人与计算机视觉 · arxiv.org