BARE：面向偏好感知与推理增强的单塔视觉 grounding 框架
计算机视觉与模式识别
2026-01-06 v1
摘要
视觉 grounding (VG) 旨在定位由表达式指称的特定区域，是多模态理解领域中既关键又具挑战性的任务。虽然最近的 grounding 转移工作通过单塔架构推进了该领域，但仍受两大局限性制约：(1) 过度 entangled 的多模态表征加剧了误导性模态偏置，(2) 足够的语义推理不足以理解指代线索。在本文中，我们提出 BARE，一个面向偏好感知与推理增强的单塔视觉 grounding 框架。BARE 引入一种机制，保留模态特定特征，通过三个新模块构建指代语义：(i) 语言显著性调制器，(ii) 视觉偏置校正与 (iii) 指代关系增强，这三个模块共同减轻多模态干扰并增强指代理解。广泛的实验结果表明，BARE 不仅在五个基准数据集上实现了最先进的性能，还在计算效率方面显著优于现有方法。代码已公开 accessible at https://github.com/Marloweeee/BARE。
关键词
引用
@article{arxiv.2601.01526,
title = {BARE: Towards Bias-Aware and Reasoning-Enhanced One-Tower Visual Grounding},
author = {Hongbing Li and Linhui Xiao and Zihan Zhao and Qi Shen and Yixiang Huang and Bo Xiao and Zhanyu Ma},
journal= {arXiv preprint arXiv:2601.01526},
year = {2026}
}