BSTRB

新的VLM 'Hawkeye' 在阅读难以辨认的文本方面表现出色

研究人员开发了Hawkeye，一个专门针对阅读难以辨认文本（如运动模糊或低分辨率文本）进行微调的视觉语言模型（VLM）。该模型在新发布的BSTRB基准上进行了训练，该基准包含近8400个源自真实世界视频序列的噪声图像样本。Hawkeye表现强劲，整体性能与更大的VLM相当，并在20像素大小的文本上超越了它们，使其适用于智能眼镜等实时应用。