密集视觉特征

一个图像块描述所有：统一零样本描述框架

One Patch to Caption Them All: A Unified Zero-Shot Captioning Framework

将图像描述从全局图像级转向以图像块为原子单元，利用DINO等骨干网络产生的密集视觉特征，无需区域级监督即可实现任意区域（包括非连续区域）的零样本描述，为开放世界区域理解提供了可复用的范式。