arXiv · cs.AI· Qingyun Liu·· 1 天前AI 评分25
PSGAgent：用智能体推理增强 MLLMs 动态视觉感知，实现全景场景图生成
PSGAgent: Enhancing MLLMs' Dynamic Visual Perception for Panoptic Scene Graph Generation via Agentic Reasoning
来源与原文
arXiv · cs.AI
作者：Qingyun Liu
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.07408v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
PSGAgent 是一个智能体框架，通过 think-act-observe 循环让 MLLMs 动态细化视觉感知，借助 Region Zoom-In Tool 和 Visual Highlight Tool 处理小目标与边缘关系并过滤无关上下文噪声。该框架采用两阶段训练：先构建带错误感知的 Multimodal Chain-of-Thought（M-CoT）数据集用于冷启动学习，再结合分层奖励机制与 Group Sequence Policy Optimization（GSPO）优化工具使用策略。在 PSG benchmark 上取得 SOTA 性能，论文已被 ACM Multimedia 2026 接收。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。