跳到正文
arXiv · 机器人与计算机视觉· Siddharth Vohra, Min Xu·· 12 小时前精选AI 评分82

何时该放大:视觉语言模型在多像素级小物体上的表现极限及优化规则

Know When to Zoom: How Small Is Too Small for Vision-Language Models?

AI 导读

在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。

推荐理由

论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org