使用TWIN数据集增强视觉语言模型的视觉感知能力
Paper#Vision-Language Models, Computer Vision, Deep Learning🔬 Research|分析: 2026年1月3日 18:37•
发布: 2025年12月29日 16:43
•1分で読める
•ArXiv分析
本文介绍了一个新的训练数据集和任务（TWIN），旨在提高视觉语言模型（VLM）的细粒度视觉感知能力。核心思想是训练VLM区分同一物体的视觉上相似的图像，迫使它们关注微妙的视觉细节。本文展示了在细粒度识别任务上的显著改进，并引入了一个新的基准（FGVQA）来量化这些改进。这项工作解决了当前VLM的一个关键限制，并以新的数据集和训练方法的形式提供了实际贡献。