arXiv ID:
2607.05798
arXiv 提交日期: 2026-07-07
先分割再回答:用于多模态大语言模型视觉推理的像素级定位 / Segmentation before Answering: Pixel Grounding for MLLM Visual Reasoning
1️⃣ 一句话总结
这篇论文提出了一种新方法SegAnswer,通过在回答视觉问题前先用像素级分割掩码精确提取感兴趣区域,替代传统的边界框放大方式,从而更有效地滤除背景干扰,提升多模态大语言模型在高分辨率感知、通用感知和抗幻觉等方面的推理能力。