arXiv · 机器人与计算机视觉· Lai Wei, Yatai Li, Liangbo He, Jun Lan, Renjie Gu, Linhan Cao, Junkai Lin, Huijia Zhu, Weiqiang Wang, Linghe Kong, Yue Wang, Zhuosheng Zhang, Weiran Huang·· 22 天前精选AI 评分82
Zooming without Zooming v2:从细节观察到证据连接的通用多模态感知研究
Zooming without Zooming v2: From Seeing Details to Connecting Evidence for Generalizable Multimodal Perception
AI 导读
该论文提出 EvidenceConnect 数据合成框架,通过利用单张图像内相关区域的局部放大视图生成需要比较、聚合或链式推理的视觉问题,并保留独立 VLM 一致的答案及通过区域消融测试的问题。基于此数据训练的 ZwZ2 模型在细粒度感知、空间感知、具身空间推理、多模态长上下文理解及通用视觉推理等任务上均取得提升。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源仓库链接。
推荐理由
提出 EvidenceConnect 框架,利用单图局部放大视图合成数据以训练连接证据能力,提升多模态感知与空间推理。
来源:arXiv · 机器人与计算机视觉 · arxiv.org