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:2506.01850

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.01850 (cs)
[提交于 2025年6月2日 ]

标题: MoDA:用于细粒度视觉接地的指令调优大模型的调制适配器

标题: MoDA: Modulation Adapter for Fine-Grained Visual Grounding in Instructional MLLMs

Authors:Wayner Barrios, Andrés Villa, Juan León Alcázar, SouYoung Jin, Bernard Ghanem
摘要: 近期,多模态大型语言模型(MLLMs)通过集成预训练的视觉编码器与大型语言模型(LLMs),在指令跟随任务上展示了令人印象深刻的性能。然而,现有方法通常难以在复杂场景中定位细粒度的视觉概念。 本文提出了一种轻量且有效的模块 MoDA(调制适配器),旨在通过指令引导的调制来优化预对齐的视觉特征。我们的方法遵循标准的 LLaVA 训练协议,包括两个阶段:(1) 使用冻结的视觉编码器和适配层将图像特征对齐到 LLMs 输入空间;(2) 在指令微调阶段使用 MoDA 适配器优化这些特征。MoDA 使用基于 Transformer 的交叉注意力机制,在对齐的视觉标记上生成调制掩码,从而根据语言指令强调语义相关的嵌入维度。调制后的特征随后传递给 LLM 进行自回归语言生成。 实验评估表明,MoDA 提升了视觉定位能力,并生成了更符合上下文的响应,证明了它作为基于图像的 MLLMs 通用增强模块的有效性。
摘要: Recently, Multimodal Large Language Models (MLLMs) have demonstrated impressive performance on instruction-following tasks by integrating pretrained visual encoders with large language models (LLMs). However, existing approaches often struggle to ground fine-grained visual concepts in complex scenes. In this paper, we propose MoDA (Modulation Adapter), a lightweight yet effective module designed to refine pre-aligned visual features through instruction-guided modulation. Our approach follows the standard LLaVA training protocol, consisting of a two-stage process: (1) aligning image features to the LLMs input space via a frozen vision encoder and adapter layers, and (2) refining those features using the MoDA adapter during the instructional tuning stage. MoDA employs a Transformer-based cross-attention mechanism to generate a modulation mask over the aligned visual tokens, thereby emphasizing semantically relevant embedding dimensions based on the language instruction. The modulated features are then passed to the LLM for autoregressive language generation. Our experimental evaluation shows that MoDA improves visual grounding and generates more contextually appropriate responses, demonstrating its effectiveness as a general-purpose enhancement for image-based MLLMs.
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI); 机器学习 (cs.LG); 多媒体 (cs.MM)
引用方式: arXiv:2506.01850 [cs.CV]
  (或者 arXiv:2506.01850v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.01850
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Wayner Barrios [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 16:38:50 UTC (3,757 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
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.AI
cs.LG
cs.MM

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