Pix2Cap-COCO: Enhancing Visual Understanding through Pixel-Level Captions
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了Pix2Cap-COCO，这是首个用于提升细粒度视觉理解的全景像素级字幕数据集。通过自动化标注流程，利用GPT-4V生成与像素对齐的字幕，显著提升了多模态模型的性能。
🏷️
