arXiv ID:
2607.04605
arXiv 提交日期: 2026-07-06
所有视觉标记都同等重要吗?面向视觉-语言检索的物体证据保留型标记合并方法 / Do All Visual Tokens Matter Equally? Object-Evidence Preserving Token Merging for Vision-Language Retrieval
1️⃣ 一句话总结
本文提出了一种称为SaMer的标记合并框架,通过在训练时利用物体标注作为合并先验,避免破坏图像中物体级别的关键证据,从而在压缩超过93%视觉标记的同时,提升图文检索的准确率和细粒度定位能力。