Parsa Esmaeilkhani

新的KLAL损失函数改进了视觉语言模型的注意力

研究人员开发了一种名为KL注意力损失（KLAL）的新损失函数，以提高视觉语言模型（VLMs）的性能。这种新颖的方法直接监督了LLM模块内视觉令牌的注意力，解决了与查询相关的视觉令牌获得注意力不足的问题。通过使用KL散度将视觉令牌注意力与地面真实注意力图对齐，KLAL鼓励VLMs关注相关的视觉信息，从而在指代表达理解和几何推理等任务中取得显著改进。