多视图推理

MVP：多视图预测提升 GUI 视觉定位

MVP: Multiple View Prediction Improves GUI Grounding

对做视觉定位/VLM 的研究者，MVP 提供了一种免训练的多视图推理与聚类集成策略：用指令到图像的注意力分数生成多样化裁剪视图，再对多视图坐标预测做最密空间簇质心聚合，可直接套用到任何坐标回归式 VLM 上以抑制单视图预测的不稳定性。