PANORAMA: Panoptic Grounded Captioning via Mask Proposal Selection

• 类型：arxiv
• 标识：2609.19143
• 链接：https://arxiv.org/abs/2609.19143
• 主分类：multimodal
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：This work introduces PanoCaps, a human-annotated benchmark constructed from panoptic segmentation datasets, and introduces PANORAMA, a VLM that conditions a pretrained segmenter on contextualized phrase representations to obtain candidate masks and learns to select those corresponding to each phrase.
• OpenAlex ID：W7213509262
• OpenAlex DOI：10.48550/arxiv.2609.19143
• DOI：10.48550/arxiv.2609.19143
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2609.19143
• OpenAlex更新：2026-09-19
• 待LLM分类：否
• 标题中文：PANORAMA：基于掩码提议选择的全景接地描述生成
• TLDR中文：本文提出 PanoCaps，一个由全景分割数据集构建的人工标注 benchmark，并提出 PANORAMA，一个将预训练 segmenter 条件化于上下文化短语表示以获得候选 mask、并学习选择与每个短语对应的 mask 的 VLM。
• 来源文件：
• /inbox/tom/_candidates/2026-09-17-agent-rag-longcontext-candidates.json
• /inbox/tom/_candidates/2026-09-18-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]