跳到主要内容
检索

Jinghua Hou

1 篇关联报道

订阅更新
  1. arXiv

    多模态大模型定位改用一维向量码本:DVD 在 SUN-RGBD 上把 AP3D 提到 40.0%,单目标推理降到 499 毫秒

    多模态大模型做 2D/3D 感知时,坐标要么写成文本、token 开销大,要么压进固定整数区间、量程与精度受限。DVD 把 2D 框、2D 掩码和 3D 框统一转成一维向量序列,再用共享码本映射为少量离散 token,推理时由一个轻量反 token 化器还原成原始表示。在 SUN-RGBD、Hypersim、nuScenes 等基准上,DVD-2B 取得 40.0%、15.7%、19.8% AP3D,并在 RefCOCOg val 上达到 89.9% Precision 与 70.4% cIoU。

已读完全部报道