跳到正文
arXiv · 机器人与计算机视觉· Yaowu Fan, Tao Han, Dazhao Du, Andy J. Ma, Jia Wan·· 20 天前AI 评分68

VisHarness:学习驾驭异构专家进行多轮视觉推理

Train the Agent, Not the Expert: Learning to Harness Heterogeneous Experts for Multi-Turn Visual Reasoning

AI 导读

VisHarness 是一个可训练的视觉智能体,旨在解决现有专用视觉模型难以兼顾复杂语言理解与小物体感知的问题。该工作提出将高层感知、推理与决策同底层任务执行解耦,通过轻量训练让 VisHarness 学会调度一组精心设计的异构视觉专家,从而在多样化场景中完成基础视觉任务。

来源:arXiv · 机器人与计算机视觉 · arxiv.org