arXiv · 机器人与计算机视觉· Dhruv Makwana, Ananya Mantravadi·· 16 天前精选AI 评分78
SurgQ-VLM:面向手术视频的问答模型发布
SurgQ-VLM: Question-Conditioned Dual-Stream Compression and Answer-Type-Aware Reinforcement for Surgical Video Question Answering
AI 导读
论文提出 SurgQ-VLM 模型解决手术视频问答中时序证据丢失与答案结构异构难题。该模型采用问题感知的双流压缩器将视觉 Token 缩减 49 倍,并结合 GRPO 强化学习与答案类型感知奖励机制。
推荐理由
提出 SurgQ-VLM 模型,通过问题感知的双流压缩与答案类型感知奖励机制,在手术视频问答任务上显著超越零样本基线。
来源:arXiv · 机器人与计算机视觉 · arxiv.org