Tag · 2 篇
候选选择
分布 视频理解与时序1视觉语言模型1
01 02
面向组合视频检索的组合式变换推理
Compositional Transformation Reasoning for Composed Video Retrieval
把组合式图文查询拆成实体、动作、场景三个推理维度，并用多模态大模型做成对候选推理，这套零样本流程可直接迁移到视频-文本检索与视频时序变化理解任务中，避免依赖噪声三元组训练。
BAMI：GUI 视觉定位中的免训练偏差缓解
BAMI: Training-Free Bias Mitigation in GUI Grounding
针对高分辨率 GUI 截图上视觉定位的精度偏差与歧义偏差，提出免训练的推理期干预（由粗到细聚焦 + 候选选择），可直接套用到任意 VLM 的坐标预测环节，无需重训即可提升定位精度。