179-B2｜高分辨图像理解及其基准，MLLM评估基准综述，视频语言模型用于长视频处理；耦合图像描述理解与生成，图像描述生成综述

文章预览

AIGC   Research 主编｜ 庄才林（Cailin Zhuang） 技术支持｜胡耀淇（Yaoqi Hu） Topic: Multi-modal｜MLLM & HR Image, MLLM Evaluation Survey Divide, Conquer and Combine: A Training-Free Framework for High-Resolution Image Perception in Multimodal Large Language Models 2024-08-28｜WHU, USYD, Jiangsu U, SYSU, NTU ｜⭐️ http://arxiv.org/abs/2408.15556v1 https://github.com/DreamMr/HR-Bench 概述 该研究聚焦于提高多模态大型语言模型（MLLMs）在高分辨率（HR）图像感知方面的能力 。尽管现有的MLLMs在视觉-语言理解上取得了重大进展， 但它们在复杂、细致的HR图像处理上仍然存在明显的不足 。当前的基准测试只支持最高2K的图像分辨率，远低于现代MLLMs可以处理的4K和8K分辨率。 为了解决这些问题，研究者们 提出了一种名为HR-Bench的新基准，旨在全面评估MLLM在处理HR图像时的表现 。同时，他们根据现有问题 提出了一个新的无训练 ………………………………