Tag · 2 篇
多分辨率融合
分布 医学影像与生物视觉1视觉语言模型1
01 02
MuViT：用于跨尺度学习的多分辨率视觉 Transformer
MuViT: Multi-Resolution Vision Transformers for Learning Across Scales in Microscopy
把不同分辨率下的 patch 嵌入统一的 world-coordinate 体系，并把 RoPE 扩展到该坐标上，使单个编码器内的注意力能同时整合大范围上下文与高分辨率细节；这套坐标化位置编码思路可直接迁移到全切片病理、遥感大幅面图像等任意多尺度视觉任务。
MRD：面向高分辨率图像理解的多分辨率检索-检测融合
MRD: Multi-resolution Retrieval-Detection Fusion for High-Resolution Image Understanding
把开放词表检测器当作定位先验，与多分辨率裁剪检索做免训练融合，为 MLLM 处理高分辨率图像提供了一条可直接套用的「检索+检测」双路增强管线，可迁移到任意现成 MLLM 上。