跳到正文
arXiv · 机器人与计算机视觉· Zhenxi Liu, Guanze Chen, Dehui Yu, Xingyu Wang, Bingxu Hou, Chengwei Li, Tao Ma, Ke Wang, Gongsheng Yuan·· 16 天前AI 评分60

VL-Dedup:面向图像 - 文本数据的分级多模态实体解析方法

VL-Dedup: Graded Multimodal Entity Resolution for Image-Text Data Deduplication

AI 导读

论文提出 VL-Dedup 方法,将图像 - 文本去重定义为分级多模态实体解析任务,旨在解决同一图像的多种描述、不同图像复用同一描述以及图文不匹配等四种情况。该方法先将同视觉实体的记录聚类并限制簇大小,再利用 VLM 和 CLIPScore 在簇内决定保留哪些描述并标记异常。

来源:arXiv · 机器人与计算机视觉 · arxiv.org