高分辨率视觉问答

学会聚焦与精确裁剪：面向多模态大语言模型的信息差与视觉定位损失强化学习框架

Learning to Focus and Precise Cropping:A Reinforcement Learning Framework with Information Gaps and Grounding Loss for MLLMs

针对多模态大模型在裁剪区域上「看了却没用」的问题，用信息差机制（降低全局图粒度以制造信息增益）配合少量边界框的 grounding loss 做两阶段强化学习，可复用于任何需要模型真正依赖局部细节的高分辨率 VQA / 细粒度感知流程。