从CLIP到DINO：多模态大语言模型中的视觉编码器

主要观点总结

本文探讨了多模态大语言模型（MLLMs）中不同视觉编码器的有效性，发现浅层特征对细粒度任务有利，而DINOv2的细粒度像素级信息能有效增强MLLMs的细粒度感知能力。文章提出一种融合策略COMM，结合CLIP和DINOv2的视觉特征以增强MLLMs的视觉能力，并通过实验证明COMM在多个基准数据集上超越了现有MLLM模型。

关键观点总结

关键观点1: 多模态大语言模型（MLLMs）的视觉编码器研究

文章研究了不同视觉编码器在MLLMs中的有效性，发现浅层特征对细粒度任务有利。

关键观点2: DINOv2的细粒度像素级信息增强MLLMs的细粒度感知

DINOv2的细粒度像素级信息，与MLP层结合用于对齐时，能增强MLLMs的细粒度感知能力。

关键观点3: 提出融合策略COMM以增强MLLMs的视觉能力

文章提出一种融合策略COMM，结合CLIP和DINOv2的视觉特征以增强MLLMs的视觉能力。

关键观点4: COMM在多个基准数据集上超越现有MLLM模型

通过大量实验，证明COMM在多个基准数据集上的性能超越了现有MLLM模型。