arXiv Computer Vision· Amirmohammad Izadi, Hosein Hasani, Fatemeh Askari, Mobin Bagherian, Sadegh Mohammadian, Mohammad Izadi, Mahdieh Soleymani Baghshah·· 2 小时前AI 评分24
揭示 Grounding IDs：外部线索如何塑造多模态绑定
Uncovering Grounding IDs: How External Cues Shape Multi-Modal Binding
AI 导读
研究发现，符号、网格线等外部视觉线索能帮助 LVLM 在物体与其文本描述之间建立更准确的连接，从而提升 grounding 与推理能力。作者提出 Grounding IDs 概念，即外部线索结构化视觉与文本模态后在模型内部产生的潜在标识符。这类标识符增强相关组件间的注意力，改善跨模态对齐并减少模型幻觉。
来源：arXiv Computer Vision · arxiv.org