arXiv ID:
2607.06560
arXiv 提交日期: 2026-07-07
视觉作为统一的多模态生成 / Vision as Unified Multimodal Generation
1️⃣ 一句话总结
本文提出将计算机视觉任务统一为多模态生成问题,通过一个通用模型(SenseNova-Vision)同时处理目标检测、图像分割、深度估计等多种视觉任务,无需特定任务的专用架构,仅需自然语言指令和可选的视觉提示,即可输出文本或图像结果,实验表明该统一模型在多项任务上可媲美专业系统。