arXiv Computer Vision· Ziqi Wen, Shravan Murlidaran, Jonathan Skaza, William Wang, Miguel P. Eckstein·· 20 小时前AI 评分29
用多模态大模型场景理解图计算语义显著性 AUTO-SUM
Semantic Saliency from Multi-Modal Large Language Model Scene Understanding Maps
AI 导读
研究者提出全自动语义显著性计算方法 AUTO-SUM，无需拟合任何人类数据：它自动分割并移除场景中的单个物体，用多模态大语言模型（MLLM）描述原始与修改后的场景，再通过文本嵌入衡量描述间的语义相似度。
来源：arXiv Computer Vision · arxiv.org