实体
MMAD benchmark
MMAD benchmark
PulseAugur coverage of MMAD benchmark — every cluster mentioning MMAD benchmark across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的蒸馏框架提高了 MLLM 异常检测的准确性
研究人员开发了 ADOPD，一个新颖的参考特权单策略蒸馏框架，旨在利用多模态大语言模型 (MLLM) 增强工业异常检测。该方法在训练过程中将参考比较的优势内化到模型参数中，解决了教师模型可能偏向语言先验而非视觉信息的局限性。ADOPD 在 MMAD 基准测试的零样本设置下实现了 77.31% 的平均准确率，显著提高了 Qwen3-VL-4B 主干模型的性能 6.14 个百分点，并超越了其单样本性能。
-
OmniAD框架通过多模态推理增强工业异常检测
研究人员开发了OmniAD，一个旨在检测和分析工业异常的新型多模态推理框架。该系统集成了视觉和文本推理，使用“文本即掩码编码”方法进行异常检测，并采用“视觉引导文本推理”进行全面分析。OmniAD采用监督微调和强化学习相结合的训练策略，在MMAD基准测试中获得79.1分，性能优于Qwen2.5-VL-7B和GPT-4o等模型。
-
新的JUDO框架通过领域知识提升工业异常检测能力
研究人员开发了JUDO，一个旨在改进工业环境异常检测的新型多模态推理框架。JUDO将领域特定知识和上下文整合到视觉和文本推理过程中。通过将查询图像与正常示例进行比较，并使用监督微调和强化学习，JUDO增强了上下文理解能力并指导领域特定推理。实验表明，在MMAD基准测试中，JUDO的表现优于Qwen2.5-VL-7B和GPT-4o等现有模型。