视觉定位

英文：Visual Grounding　分类：multimodal

基本释义

将自然语言描述（如"左边戴帽子的男人"）定位到图像中对应区域的任务，输出边界框或分割掩码。它是语言与视觉对齐的关键能力。

技术要点

实现：区域级特征与文本特征匹配（检测式）、指代分割（SAM 类）、多模态大模型框输出（引用表达）；评测 RefCOCO 系基准（准确率、IoU）；难点：歧义消解（多个同类物体）。

应用场景

用于机器人抓取定位、图像编辑（指哪改哪）、视觉问答引用与交互式分割；视觉定位让 AI 能"按描述找到目标"。

返回AI百科目录 · AI最前沿首页

相关词条：扩散模型 · 视觉编码器 · 语音合成 · 解码阶段 · 指代表达理解