探测大型视觉语言模型中的感知恒常性
计算机视觉与模式识别
2026-02-09 v3 人工智能
摘要
感知恒常性是指在感官输入发生变化(如距离、角度或照明变化)时，保持对象稳定感知的能力。这是动态世界中视觉理解的关键能力。本研究探讨了当前视觉语言模型(VLM)的此类能力。在本研究中，我们使用236个实验评估了155个VLMs，涵盖三个领域：颜色恒常性、尺寸恒常性和形状恒常性。实验包括单图和视频形式的经典认知任务，以及野外条件下的新颖任务。我们发现VLMs在这些领域的表现存在显著差异，模型在形状恒常性上的表现明显独立于颜色和尺寸恒常性。
引用
@article{arxiv.2502.10273,
title = {Probing Perceptual Constancy in Large Vision-Language Models},
author = {Haoran Sun and Bingyang Wang and Suyang Yu and Yijiang Li and Qingying Gao and Haiyun Lyu and Lianyu Huang and Zelong Hong and Jiahui Ge and Qianli Ma and Hang He and Yifan Zhou and Lingzi Guo and Lantao Mei and Maijunxian Wang and Dezhi Luo and Hokin Deng},
journal= {arXiv preprint arXiv:2502.10273},
year = {2026}
}
备注
Under Review