摘要
视觉语言模型在需要理解物体间关系的组合推理任务中表现不佳。引入离散场景图标签会与连续视觉模态冲突，导致性能下降。本文提出 HyperVis，通过空间偏置交叉注意力计算密集视觉关系张量，并将其投影到洛伦兹双曲面上，利用空间物理机制强制层级结构。该方法既作为训练正则化器提升生成式 VQA 性能，又作为推理时关系编码器增强判别式组合评分。实验表明，强曲率双曲空间对连续视觉特征的组合性至关重要。
AI 推荐理由
论文核心解决组合推理问题，提出双曲几何方法增强关系理解与推理能力。
研究机构
Data Science and AI, University of Doha for Science and Technology, Qatar
Pluralis Research, Australia
Department of Electrical and Computer Engineering, North South University, Bangladesh
论文信息