Rubik-cube7/TAM

模态大语言模型（MLLMs）在自回归生成过程中由于强烈的上下文依赖（Contextual Interference），常导致传统视觉归因方法（如 CAM 变体）生成包含大量冗余噪声的激活图(附录Figure 1)。ICCV 2025 提出的 Token Activation Map (TAM) 方法通过因果推断剥离上下文干扰，并结合秩高斯滤波（Rank Gaussian Filter）实现了精准的 Token 级视觉对齐。在分析和跑通TAM框架的基础上对其在动态时空任务（如长视频理解）中的泛化能力，及其底层去噪算法在纯视觉基础模型中的跨架构迁移潜力进行了验证。最后结合了多模态方向的工作进行了综合性的分析。

语言：TeX · GitHub 星标：4 · Fork：0

在 GitHub 上查看原仓库