Tag · 2 篇
高分辨率图像理解
01 02
SenseSearch：通过强化学习赋能视觉语言模型的高分辨率智能体搜索推理
SenseSearch: Empowering Vision-Language Models with High-Resolution Agentic Search-Reasoning via Reinforcement Learning
提出通过强化学习让 VLM 自适应协调图像搜索、文本搜索和图像裁剪工具，解决高分辨率细粒度视觉理解问题；其 BN-GSPO 算法和 HR-MMSearch 基准可直接用于多模态智能体训练与评测。
MRD：面向高分辨率图像理解的多分辨率检索-检测融合
MRD: Multi-resolution Retrieval-Detection Fusion for High-Resolution Image Understanding
把开放词表检测器当作定位先验，与多分辨率裁剪检索做免训练融合，为 MLLM 处理高分辨率图像提供了一条可直接套用的「检索+检测」双路增强管线，可迁移到任意现成 MLLM 上。