零样本视觉的二进制验证
计算机视觉与模式识别
2026-03-30 v2 人工智能
摘要
我们提出了一种用于零样本视觉的训练-free 二进制验证工作流程，其包含两个步骤：（i）量化，将开放式查询转化为带小且明确候选列表的多选问题（MCQ）；（ii）二值化，针对每个候选选项提问一个 True/False 问题，并确定性地解决：若恰好一个为 True，则选中它；否则，回退到剩余可行候选选项的 MCQ。我们在指代表达 grounding（REC）、空间推理（Spatial-Map、Spatial-Grid、Spatial-Maze）以及 BLINK-Jigsaw 任务上进行评估。相较于直接回答开放式查询，MCQ 量化带来显著提升，True/False 二值化提供持续的额外提升。在所有任务中，相同的工作流程均产生显著改进，表明其普适性。我们进一步将所提 REC 工作流程集成到实际的视频处理和编辑系统中，present 了该系统的架构和端到端管线。这些组件共同构成了一个简单且统一的工作流程，强调推理阶段的设计而非任务特定的训练。它为使用当今 VLMs 实现更强大的零样本视觉提供了实用且即插即用的路径。
引用
@article{arxiv.2511.10983,
title = {Binary Verification for Zero-Shot Vision},
author = {Rongbin Hu and Jeffrey Liu},
journal= {arXiv preprint arXiv:2511.10983},
year = {2026}
}