【太平洋科技快讯】近日，英伟达宣布推出一款名为 Describe Anything 3B(DAM-3B)的 AI 模型，旨在解决图像和视频中特定区域详细描述的难题。该模型在静态图像和动态视频的局部描述方面表现出色，为相关领域带来了新的突破。

传统的视觉-语言模型(VLMs)在生成整体图像描述时已相当成熟，但在处理图像或视频中特定区域的细致描述时却显得力不从心。尤其是在动态视频中，时间动态变化、遮挡问题以及区域化描述的需求，都使得这一任务极具挑战性。DAM-3B 的推出正是为了应对这些挑战，它支持用户通过点、边界框、涂鸦或掩码等方式指定目标区域，从而生成精准且贴合上下文的描述文本。

DAM-3B 的核心创新之一是“焦点提示”技术。该技术巧妙地融合了全图信息与目标区域的高分辨率裁剪图，确保在保留整体背景的同时，细节信息也不会失真。这种融合策略使得生成的描述更加精准且符合上下文。

除了焦点提示技术，DAM-3B 还采用了局部视觉骨干网络。该网络通过嵌入图像和掩码输入，并运用门控交叉注意力机制，将全局与局部特征巧妙融合，再传输至大语言模型生成描述。这种设计使得模型能够更好地理解目标区域及其与整体图像的关系。

DAM-3B 的能力不仅限于静态图像，其衍生版本 DAM-3B-Video 进一步扩展至视频领域。通过逐帧编码区域掩码并整合时间信息，DAM-3B-Video 即使面对遮挡或运动也能生成准确的描述，为动态视频的局部描述提供了有效解决方案。

为了解决训练数据匮乏的问题，英伟达开发了 DLC-SDP 半监督数据生成策略。该策略利用分割数据集和未标注的网络图像，构建了包含 150 万局部描述样本的训练语料库。通过自训练方法优化描述质量，确保输出文本的高精准度。同时，团队还推出了 DLC-Bench 评估基准，以属性级正确性而非僵硬的参考文本对比来衡量描述质量。

在包括 LVIS、Flickr30k Entities 等七项基准测试中，DAM-3B 表现优异，平均准确率达到 67.3%，超越了 GPT-4 和 VideoRefer 等模型。