图像对比较

相同还是不同？增强视觉语言模型的视觉感知

Same or Not? Enhancing Visual Perception in Vision-Language Models

TWIN 提供了一种可直接加入 VLM 训练语料的图像对「同/不同」判别任务，用来强化模型对细微视觉差异的注意力；做 VLM 微调或细粒度识别时，可把它当作低成本的数据侧增强手段，并用 FGVQA 这类改造自细粒度识别与检索数据集的基准来量化感知精度提升。