跳到正文
arXiv · 机器人与计算机视觉· Xiuyuan Zhu, Ke Lu, Kun Dong, Siwen Jiao, Hao Wu, Zijin Du, Shun Mao, Dongming Zhang, Jian Xue·· 23 天前精选AI 评分80

Hi-Token:用于生成式视觉定位的分层坐标分词方法

Hi-Token: Hierarchical Coordinate Tokenization for Generative Visual Grounding

AI 导读

论文提出 Hi-Token 显式编码坐标轴与位值,用 12 个 token 表示边界框;配合 Hi-GAR 几何奖励优化策略梯度。实验显示该方法在 RefCOCO 等基准上优于原子 token 基线及强专家长模型,且仅用于训练阶段。材料为 arXiv 预印本,未提及同行评审或正式部署状态。

推荐理由

该预印本提出 Hi-Token 坐标编码与 Hi-GAR 奖励机制,在三个 VLM 主干上提升生成式视觉定位效果。

来源:arXiv · 机器人与计算机视觉 · arxiv.org