PSGAgent 智能体框架提升全景场景图生成

1. 12:02
   arXiv · cs.AI

   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 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。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。