中科院突破AI视觉技术：CARVE新方法解决模型注意力分散问题

人类在便利店挑选指定饮料时，即使货架堆满各式商品，我们也能快速精准地找到目标。这个看似平常的视觉搜索过程，却一直是人工智能亟待突破的技术瓶颈。中国科研团队创新性地提出了CARVE方法，为提升AI在复杂视觉场景中的认知能力提供了新思路。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

研究发现，当前AI视觉系统面临的核心问题是——当遇到包含过多视觉元素的环境时，模型注意力会过度分散。就像人在喧闹集市中容易走神一样，图像中的纹理和色彩复杂度越高，AI就越难专注于关键信息。中科院研究团队通过定量分析首次证实了这一现象。

对比注意力机制的创新突破

CARVE方法采用双重观察机制实现注意力优化：首次采用开放式提示引导AI整体浏览图像，此时模型会本能地被色彩、纹理等显眼特征吸引；第二次给予具体任务指令，让模型有针对性地调整注意力。通过比较两次的注意力差异，CARVE能智能过滤视觉干扰，锁定真正相关的图像区域。

从算法原理来看，研究团队创造性地将影响AI注意力的因素分解为两类：由画面特征决定的"视觉噪音"和由任务需求主导的"语义信号"。在普通浏览模式下，语义信号呈现均匀分布；当切换至任务模式时，关键区域的信号强度会显著提升。通过数学运算分离这两个因子，CARVE成功抑制了90%以上的视觉干扰。

性能提升的实测数据

在V*小目标定位测试中，开源模型LLAVA1.5-7B的表现从38.7%跃升至66.5%，增幅创下71.83%的纪录。处理文字识别任务时，同一模型在TextVQA数据集上的准确率也比传统方法平均高出9个百分点。与传统视觉增强技术对比，CARVE在保持较快处理速度（1.34秒/张）的同时，准确率相较YOLO等方法提升了近10%。

值得注意的是，CARVE的效果会随网络深度变化。浅层网络呈现广域扫描特征，而深层网络则会自动聚焦重点区域。这种特性与人类"先整体后局部"的视觉认知模式惊人相似。实验显示保留40%左右图像区域、选择2-3个关键区域的策略能达到最佳平衡。

应用前景与局限

目前CARVE仍需优化计算效率以适应实时场景，其对提示词的依赖性也需要针对不同语言环境进行调整。未来，这种模拟人类视觉认知的方法有望赋能医疗影像分析、智能辅助系统等重要领域，推动AI视觉理解能力向人类水平持续靠拢。