Oct, 2023
视觉裁剪提升多模态大型语言模型的零指导问题回答
Visual Cropping Improves Zero-Shot Question Answering of Multimodal
Large Language Models
TL;DR这项研究探讨了多模态大型语言模型在处理不同图像和问题属性时是否能够感知图像的细节,并表明它们在回答视觉问题的零样本准确性受到问题中视觉主体大小的敏感性,但通过人工裁剪可以显著缓解这种敏感性影响,并提出了三种自动图像裁剪方法用于改进多模态大型语言模型的零样本性能。