arXiv · AI· Qingyun Liu, Yuankun Liu, Jiaye Feng, Jie Huang, Zonghong Dai, Haochen Li, Jingkun Wang, Weiping Li, Tong Mo·· 23 小时前AI 评分26
PSGAgent：基于智能体推理增强多模态大模型全全景场景图生成的动态视觉感知
PSGAgent: Enhancing MLLMs' Dynamic Visual Perception for Panoptic Scene Graph Generation via Agentic Reasoning
AI 导读
PSGAgent 提出一种基于思考-行动-观察循环的智能体框架，通过区域放大与视觉高亮工具解决 MLLM 在全全景场景图生成中的静态感知瓶颈。 框架采用两级训练管线，先利用高质量多模态思维链数据集进行冷启动，再结合 GSPO 优化层级奖励机制以自适应使用工具，在 PSG 基准上取得 SOTA 性能。
来源：arXiv · AI · arxiv.org