arXiv · 机器人与计算机视觉· Seulgi Kim, Zhixiong Zhang, Xinwei Zhang, Jie Ling, Ronn Shaw·· 2026-10-07精选AI 评分80
GeoPID:一种分解并引导视觉语言模型中视觉信息的几何框架
GeoPID: Decomposing and Steering Visual Information in Vision-Language Models
AI 导读
针对现有视觉语言模型过度依赖文本而忽视视觉信息的问题,本文提出了 GeoPID,这是一个无需训练即可应用的框架。该方法从几何视角分析多模态信息,将信息分解为冗余、模态独有和协同三个部分。研究在 22 个 VLM 和 14 个基准测试上验证了正确预测具有更强的视觉独有分量,并引入干预技术在推理阶段选择性放大视觉独有子空间中的表征,实现了平均相对准确率提升 7.63%。
推荐理由
该工作提出无需微调的几何干预框架,通过放大视觉独有表征提升 VLM 的视觉定位能力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org