Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2505.24541

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2505.24541 (cs)
[提交于 2025年5月30日 ]

标题: Mixpert:通过高效视觉专家混合缓解多模态学习冲突

标题: Mixpert: Mitigating Multimodal Learning Conflicts with Efficient Mixture-of-Vision-Experts

Authors:Xin He, Xumeng Han, Longhui Wei, Lingxi Xie, Qi Tian
摘要: 多模态大型语言模型(MLLMs)需要对复杂的图像信息进行细致的解读,通常通过视觉编码器来感知各种视觉场景。 然而,仅仅依赖单一的视觉编码器来处理多样化的任务领域既困难重重,又不可避免地导致冲突。 近期的研究通过直接集成多个领域特定的视觉编码器来增强数据感知,但这种结构增加了复杂性,并限制了联合优化的潜力。 本文提出Mixpert,这是一种高效的视觉专家混合架构,它继承了单一视觉编码器的联合学习优势,同时重新构建为一个多专家范式,以针对不同视觉任务进行特定微调。 此外,我们设计了一种动态路由机制,将输入图像分配给最合适的视觉专家。 Mixpert有效地缓解了单一视觉编码器在多任务学习中遇到的领域冲突,且额外计算成本极低,比多个编码器更为高效。 此外,Mixpert可以无缝集成到任何MLLM中,实验结果表明其在各种任务中都取得了显著的性能提升。
摘要: Multimodal large language models (MLLMs) require a nuanced interpretation of complex image information, typically leveraging a vision encoder to perceive various visual scenarios. However, relying solely on a single vision encoder to handle diverse task domains proves difficult and inevitably leads to conflicts. Recent work enhances data perception by directly integrating multiple domain-specific vision encoders, yet this structure adds complexity and limits the potential for joint optimization. In this paper, we introduce Mixpert, an efficient mixture-of-vision-experts architecture that inherits the joint learning advantages from a single vision encoder while being restructured into a multi-expert paradigm for task-specific fine-tuning across different visual tasks. Additionally, we design a dynamic routing mechanism that allocates input images to the most suitable visual expert. Mixpert effectively alleviates domain conflicts encountered by a single vision encoder in multi-task learning with minimal additional computational cost, making it more efficient than multiple encoders. Furthermore, Mixpert integrates seamlessly into any MLLM, with experimental results demonstrating substantial performance gains across various tasks.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI)
引用方式: arXiv:2505.24541 [cs.CV]
  (或者 arXiv:2505.24541v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.24541
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Xumeng Han [查看电子邮件]
[v1] 星期五, 2025 年 5 月 30 日 12:48:07 UTC (680 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
cs
cs.AI

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号