视觉表征对齐

面向大型视觉语言模型的语言引导频率调制

Language-guided Frequency Modulation for Large Vision-Language Models

在视觉 token 送入 LLM 之前，用语言引导在频域上对视觉特征做高通/低通分解与选择性增强，为视觉侧提供了一种无需额外训练参数、可插拔的细粒度表征调控手段，可直接迁移到任意 LVLM 的视觉编码器-投影器链路上。