CALICO：让大视觉语言模型学会“找茬”——多图像部件级语义共分割新突破

核心摘要：想象一下，给你两张椅子的图片，你能立刻指出它们共享的椅背和各自独特的扶手吗？这正是伊利诺伊大学团队在CVPR 2025论文《CALICO: Part-Focused Semantic Co-Segmentation with Large Vision-Language Models》中提出的新挑战。尽管当前的大型视觉语言模型在单图像分割上表现出色，但在跨图像进行部件级的比较推理上却力不从心。CALICO应运而生，它创新性地引入了对应提取模块来挖掘图像间细粒度的语义对应关系，并通过参数高效的对应适应模块将其融入模型，使其能够同时处理多张图像，精确分割出物体及其部件的共享与独特区域，并自动生成语义标签。仅微调0.3%的参数，CALICO就在其构建的大规模基准MIXEDPARTS上全面超越基线模型，在保持高效的同时，开启了LVLM进行细粒度、跨图像视觉理解的新篇章。

1. 研究领域

本文的研究位于“计算机视觉”、“细粒度图像理解”​ 与“视觉-语言模型”​ 的前沿交叉领域，具体聚焦于：

• 部件级语义共分割： 超越传统的物体级共分割，研究如何在多张图像中，同时、一致地分割出语义上可对应的物体部件（如“椅腿”、“屏幕”），并区分哪些部件是共享的，哪些是