arXiv cs.CV· Junzhe Shi, Yuan Gan, Shida Jiang·· 4 小时前AI 评分36
为什么 VLM 会漏掉小目标，以及何时放大是安全的
Why VLMs Miss Small Objects, and When Zooming In Is Safe
AI 导读
研究用图像接口的两个量 S（目标边长对应的视觉 token 数）和 L（单次调用需覆盖的内容）解释 VLM 漏检小目标的原因：整图在 N 个 token 内输入时，边长 m 的目标每边最多只有 m*sqrt(N/(WH)) 个 token，token 预算翻倍仅使整图可达的最大 S 提升 41%。
来源：arXiv cs.CV · arxiv.org