理解视觉与语言信息并与人类和环境交互的机器智能

Van Quang Nguyen

2026

摘要

本文提出GRIT和LTMI等新型架构，改进图像描述、视觉对话和交互指令跟随等视觉-语言任务。通过整合网格与区域特征及轻量级注意力机制，提升了推理精度与速度。

image captioningvisual dialoginstruction followingtransformervision-language

PERCEPTION

开放获取📊 4 引用

Ji-Hoon Hwang, Daeyoung Kim, Hyung-Suk Yoon 等 5 位作者

2026

PERCEPTION

📊 0 引用

Yanrun Zhou, Zihao Lei, Guangrui Wen 等 7 位作者

Robotics and Computer-Integrated Manufacturing · 2026

PERCEPTION

📊 0 引用

Simon Duenser, Ivo Aschwanden, Raamadaas Krishnadas 等 5 位作者

Robotics and Computer-Integrated Manufacturing · 2026

PERCEPTION

📊 0 引用

Sili Ding, Feng Xu, Jie Chen 等 6 位作者

Progress in Materials Science · 2026