Tag · 4 篇

GUI-视觉定位

Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding

将离散扩散视觉语言模型（如 LLaDA-V）用于 GUI 视觉定位任务，提出线性与确定性混合的掩码调度以捕捉边界框的层次几何结构，为视觉定位提供了一种非自回归的并行生成范式。

Exposing and Evaluating Hallucinations for GUI Grounding

把 GUI 视觉定位中的幻觉拆成「混淆幻觉」与「捏造幻觉」两类，并给出可复用的评测子集设计（解析子集 + 幻觉子集），可直接迁移到其他视觉定位任务上做失效模式诊断。

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。

BAMI: Training-Free Bias Mitigation in GUI Grounding

针对高分辨率 GUI 截图上视觉定位的精度偏差与歧义偏差，提出免训练的推理期干预（由粗到细聚焦 + 候选选择），可直接套用到任意 VLM 的坐标预测环节，无需重训即可提升定位精度。