FIRM：用于遥感推理分割的掩码细粒度词元内表征

英文标题：FIRM: Fine-Grained Intra-Token Representation of Masks for Remote Sensing Reasoning Segmentation

该论文提出 FIRM，聚焦遥感场景中的推理分割任务。推理分割要求多模态大语言模型（MLLM）将隐式指令转化为精确的像素级掩码。论文指出，MLLM 通常将图像编码为视觉词元，而每个视觉词元会融合一组图像块，这可能限制细粒度空间表征能力。该工作对遥感图像理解与像素级分割 Agent 的精确定位能力具有参考意义。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB