面向高分辨率视觉语言模型的高效架构
计算机视觉与模式识别
2025-11-21 v2 人工智能
计算与语言
机器学习
摘要
视觉语言模型近期取得了显著进展。然而，在高分辨率图像中精确识别精细细节方面仍存在挑战，这限制了其在多项任务中的性能。本研究引入了 Pheye，一种能够高效处理高分辨率图像的新颖架构，同时其训练参数量少于同等规模的 VLM。值得注意的是，Pheye 在保持高性能的同时实现了高效率，特别是在需要细粒度图像理解和/或场景文本处理的任务中表现突出。
引用
@article{arxiv.2501.02584,
title = {Efficient Architectures for High Resolution Vision-Language Models},
author = {Miguel Carvalho and Bruno Martins},
journal= {arXiv preprint arXiv:2501.02584},
year = {2025}
}
备注
Accepted at COLING 2025