linhuixiao/Awesome-Visual-Grounding
[TPAMI 2025] Towards Visual Grounding: A Survey
它解决了什么问题
该项目提供了视觉定位领域的全面、系统性综述——即根据自然语言描述在图像中识别特定对象的任务。它解决了对集中、最新资源的需求，该资源追踪十年的研究，包括经典方法、新的多模态大语言模型（MLLM）方法以及新兴研究趋势。
它是如何工作的
该资源库作为视觉定位文献的精选数据库。它将研究分类为各种设置（如全监督、弱监督和零样本），追踪代表性工作并提供其论文和代码的链接，并提供不同架构方法的清晰比较。它旨在帮助初学者和经验丰富的研究人员导航该领域的演变，从传统的基于CNN的方法到现代Transformer和视觉-语言预训练（VLP）模型。
它面向谁
该资源面向计算机视觉研究人员、学生和从业者，他们希望了解视觉定位的现状、寻找基准，或识别指代表达理解和短语定位的最新进展。
亮点
- 涵盖过去十年视觉定位研究的全面综述。
- 方法的详细分类，包括全监督、弱监督、半监督和零样本设置。
- 涵盖高级主题，如接地多模态LLM、广义视觉定位和基于VLP的迁移学习。
- 精选的代表性工作列表，直接链接到论文和代码实现。
- 未来研究见解以及相关数据集和基准的集合。
相关
- 项目
- 项目
- 项目
- 项目