VLM小目标识别极限与图像分解研究

2026年10月20日，arXiv Computer Vision 刊出 Junzhe Shi 等作者的研究，围绕视觉语言模型（VLM）小目标识别提出三个问题：是什么限制了它们、更好的模型能消除哪些限制、以及处理大图像的传统方式即局部图像分解是否仍有前景。该研究用图像接口的两个量 S（目标边长方向的视觉 token 数）和 L（单次调用需覆盖的内容）解释 VLM 漏检小目标的原因：W×H 图像在 N token 预算下整图输入时，目标每边最多只有 m*sqrt(N/(WH)) 个 token；token 预算翻倍仅使最大 S 提升 41%，而达到目标所需 S 至少需 S^2 量级 token。报道同时讨论何时放大图像是安全的。目前进展限于该篇论文给出的上述分析与结论。

AI 根据报道生成 · 46 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。