Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 4 августа 2026 (v1), последний пересмотренный вариант от 25 октября 2026 года (эта версия, v3)] Название: Hi-Token: Heirarchical Coordination Tocentization for Generative Visual Grounding View PDF HTML (экспериментальное) Резюме: Geneminatoral Vision-Language Models (VLMs) выражают граничащие коробки в качестве последовательности координат, символическая идентичность которых часто оставляет ось и значение места. Мы изучаем, как четкое кодирование этих ролей улучшает визуальный заземление. Hi-Token присвоил отдельный символ каждой комбинации осей, десятичных знаков и цифровых значений, представляющих коробку с 12 символами из 60 типов. Этот дизайн разоблачает тяжёлую структуру координат и увеличивает символическое повторное использование по отношению к атомным знакам местоположения при сохранении существующей архитектуры VLM. Hi-GAR дополняет это представление геометрическим вознаграждением за групповую относительную оптимистику политики (ГРПО), сочетая в себе дублирование в коробке, координацию точности во многих масштабах, премии строгой оценки и действительность. Совпадающие сопоставления в области профессиональной подготовки показывают, что Hi-Token улучшает локализацию по всему оцениваемому диапазону IOU с повышением эффективности трех позвонков VLM. Hi-Token также превзошел дополнительно отрегулированную атомную базу для семейства RefCOCO, перед тем как получить дополнительное обучение.…
Привет-Токен: иерархическая токенизация координат для генерации визуального заземления
arXiv: 2608.03471v3 Тип анонсации: заменить резюме: Generationive Vision-Language Models (VLM) экспрессивные коробки с указанием координатных последовательностей, символические характеристики которых часто оставляют оси и значение места неявным. Мы изучаем, как четкое кодирование этих ролей улучшает визуальный заземление. Hi-Token присвоил отдельный символ каждой комбинации осей, десятичных знаков и цифровых значений, представляющих коробку с 12 символами из 60 типов. Этот дизайн разоблачает тяжёлую структуру координат и увеличивает символическое повторное использование по отношению к атомным знакам местоположения при сохранении существующей архитектуры VLM. Hi-GAR дополняет это представление геометрическим вознаграждением за групповую относительную оптимистику политики (ГРПО), сочетая в себе дублирование в коробке, координацию точности во многих масштабах, премии строгой оценки и действительность. Совпадающие сопоставления в области профессиональной подготовки показывают, что Hi-Token улучшает локализацию по всему оцениваемому диапазону IOU с повышением эффективности трех позвонков VLM. Привет-Токен также превосходит уровень t