Tag · 3 篇
蒙特卡洛树搜索
分布 视觉语言模型2强化学习与具身智能1
01 02 03
VCU-Bridge：通过语义桥接的层次化视觉内涵理解
VCU-Bridge: Hierarchical Visual Connotation Understanding via Semantic Bridging
提出层次化视觉内涵理解框架和HVCU-Bench基准，用于诊断MLLM从低层感知到高层推理的因果依赖；其MCTS引导的数据生成流程可复用于构建其他需要显式推理链的视觉语言指令微调数据。
ProFocus：视觉语言导航中的主动感知与聚焦推理
ProFocus: Proactive Perception and Focused Reasoning in Vision-and-Language Navigation
将全景观测转成结构化自我中心语义地图，并由 LLM 编排智能体主动发起带焦点区域的视觉查询，这一「主动感知 + 定向取景」的闭环可直接迁移到任何需要从冗余全景/多视角输入中按需取景的具身导航或主动视觉任务；BD-MCTS 从大量历史候选中筛出 top-k 高价值路点再做聚焦推理，也为长时序视觉历史的高效利用提供了可复用策略。
DRS-GUI：面向免训练 GUI 视觉定位的动态区域搜索
DRS-GUI: Dynamic Region Search for Training-Free GUI Grounding
把 MCTS 驱动的 Focus/Shift/Scatter 区域搜索作为免训练插件接到现成 MLLM 上，用于高分辨率截图中的小目标定位，可直接迁移到任意需要从大图中裁剪出相关区域再交给 VLM 的视觉定位任务。