Vision-Language Grounding as Bidirectional Concept Correspondence

• 类型：arxiv
• 标识：2608.07886
• 链接：https://arxiv.org/abs/2608.07886
• 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 formulation unifies common grounding tasks, including phrase grounding, referring expression grounding, and open-vocabulary detection, by treating text segmentation, image segmentation, and cross-modal alignment as a single correspondence prediction problem.
• OpenAlex ID：W7202198331
• OpenAlex DOI：10.48550/arxiv.2608.07886
• DOI：10.48550/arxiv.2608.07886
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2608.07886
• OpenAlex更新：2026-09-01
• 待LLM分类：否
• 标题中文：视觉-语言接地作为双向概念对应
• TLDR中文：该形式化方法将短语定位、指代表达定位以及开放词汇检测等常见 grounding 任务统一起来，将文本分割、图像分割以及跨模态对齐视为单一的对应预测问题。
• 来源文件：
• /inbox/tom/_candidates/2026-08-11-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]