本研究提出了HiFi-CS方法，通过FiLM融合图像和文本嵌入，提高了视觉定位精度。实验结果表明，在15个桌面场景中实现了90.33%的视觉定位准确率，展示了其在机器人抓取任务中的潜在影响。
完成下面两步后，将自动完成登录并继续当前操作。
