跨模态解码器

ViTPrompt：面向开放词表检测的免训练视觉 token 提示词精炼

ViTPrompt: Training-Free Prompt Refinement with Visual Tokens for Open-Vocabulary Detection

提出一种无需训练、无需反向传播的测试时提示词精炼方法：利用首轮高置信检测结果提取实例感知视觉 token 来增强文本提示词，再通过跨模态解码器进行第二轮推理，同时提升边界框定位与分类置信度，可直接用于开放词表检测器的分布偏移场景。