Tag · 4 篇

基准数据集构建

分布视觉语言模型1数据集与评测1图像编辑与可控生成1生成模型与扩散1

When Robots Should Say ''I Don't Know'': Benchmarking Abstention in Embodied Question Answering

为视觉语言模型在具身场景中引入「拒答」能力提供了可复用的评测基准与五类弃权分类法，做 VLM 可靠性或交互式问答时可据此设计拒答召回指标与歧义问题构造流程。

MMGait: Towards Multi-Modal Gait Recognition

为视觉研究者提供了一个覆盖 RGB、深度、红外、激光雷达与 4D 雷达五种传感器、共十二种模态的步态识别基准，可用于研究跨模态检索与模态互补性；其 OmniGait 基线通过共享嵌入空间统一单模态、跨模态与多模态三种范式，可作为多模态表征对齐的可复用思路。

Inter-Edit: First Benchmark for Interactive Instruction-Based Image Editing

提出以「简洁文本指令 + 不精确空间掩码」作为编辑条件的设定，并给出百万级模拟真实用户掩码的数据生成流水线，可直接用于训练和评测指令式编辑模型在弱定位输入下的鲁棒性。

HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation

无需重新标注即可在雨雪雾与夜间/黄昏条件下合成高保真车道场景图像，可直接作为车道线检测等下游任务的数据增广手段，缓解极端条件数据稀缺导致的模型失效。