Entropy-Guided Cropping and Attention Regularization for Robust Vision (англ.) (недоступная ссылка — история)
arXiv:2608.22996v1 Анонс Тип: новый Абстракт: Модели языка зрения (VLM) хорошо выполняют различные задачи на языке зрения, но визуальные кодеры на основе трансформатора разделяют изображения на изображения с фиксированным разрешением, что ставит под угрозу целостность объекта в легких VLM.…