English(EN) IoUPD: IoU-Aware Privileged Distillation for Visual Grounding with Multimodal Large Language Models

新的IoUPD方法增强了多模态大语言模型中的视觉定位

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-20 04:00

研究人员开发了IoUPD，一种用于改进多模态大语言模型中视觉定位的新方法。该技术利用真实边界框，不仅作为坐标目标，还在训练期间作为特权指导。IoUPD通过在蒸馏损失中纳入几何重要性和教师可靠性来增强坐标生成模型，从而在标准基准上实现一致的区域级改进，而无需在推理时额外模块。 AI

影响该方法可以提高解释图像和文本的AI系统中视觉定位任务的准确性和效率。

排序理由该集群包含一篇详细介绍多模态大语言模型新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Xiuyuan Zhu, Ke Lu, Hao Wu, Zijin Du, Dongming Zhang, Jian Xue · 2026-07-20 04:00

IoUPD：用于多模态大语言模型视觉基础的 IoU 感知特权蒸馏

arXiv:2607.15732v1 Announce Type: new Abstract: Visual grounding with multimodal large language models is commonly formulated as autoregressive coordinate generation, where a model outputs bounding-box coordinates as text given an image and a referring-expression prompt. While th…