arXiv · 机器人与计算机视觉· Harsha Patnala, Debopriyo Banerjee, Ayush Sunil Munot, Somak Aditya·· 2026-10-12AI 评分74
TDDN:一种基于文本对齐的扩散式 DINO 网络以增强拼图理解能力
TDDN: Text-aligned Diffused DINO Network for Puzzle Understanding
AI 导读
针对现有视觉语言模型(VLM)在处理结构化视觉推理时缺乏细粒度感知的问题,该研究提出融合 DINOv3 和 CleanDIFT 表示的 DiffusedDINO 编码器,并与 RoBERTa-L 对齐构建 TDDN 模型。
来源:arXiv · 机器人与计算机视觉 · arxiv.org