科技媒體 marktechpost 昨日（4 月 23 日）發(fā)布博文，報道稱英偉達為應對圖像和視頻中特定區(qū)域的詳細描述難題，最新推出了 Describe Anything 3B（DAM-3B）AI 模型。
視覺-語言模型（VLMs）在生成整體圖像描述時表現(xiàn)出色，但對特定區(qū)域的細致描述往往力不從心，尤其在視頻中需考慮時間動態(tài)，挑戰(zhàn)更大。
英偉達推出的 Describe Anything 3B（DAM-3B）直面這一難題，支持用戶通過點、邊界框、涂鴉或掩碼指定目標區(qū)域，生成精準且貼合上下文的描述文本。DAM-3B 和 DAM-3B-Video 分別適用于靜態(tài)圖像和動態(tài)視頻，模型已在 Hugging Face 平臺公開。
獨特架構與高效設計
DAM-3B 的核心創(chuàng)新在于“焦點提示”和“局部視覺骨干網(wǎng)絡”。
焦點提示技術融合了全圖信息與目標區(qū)域的高分辨率裁剪，確保細節(jié)不失真，同時保留整體背景。
局部視覺骨干網(wǎng)絡則通過嵌入圖像和掩碼輸入，運用門控交叉注意力機制，將全局與局部特征巧妙融合，再傳輸至大語言模型生成描述。
DAM-3B-Video 進一步擴展至視頻領域，通過逐幀編碼區(qū)域掩碼并整合時間信息，即便面對遮擋或運動也能生成準確描述。
數(shù)據(jù)與評估雙管齊下
為解決訓練數(shù)據(jù)匱乏問題，NVIDIA 開發(fā)了 DLC-SDP 半監(jiān)督數(shù)據(jù)生成策略，利用分割數(shù)據(jù)集和未標注的網(wǎng)絡圖像，構建了包含 150 萬局部描述樣本的訓練語料庫。
通過自訓練方法優(yōu)化描述質量，確保輸出文本的高精準度，團隊同時推出 DLC-Bench 評估基準，以屬性級正確性而非僵硬的參考文本對比衡量描述質量。
DAM-3B 在包括 LVIS、Flickr30k Entities 等七項基準測試中領先，平均準確率達 67.3%，超越 GPT-4o 和 VideoRefer 等模型。
DAM-3B 不僅填補了局部描述領域的技術空白，其上下文感知架構和高質量數(shù)據(jù)策略還為無障礙工具、機器人技術及視頻內容分析等領域開辟了新可能。 
