浙大李玺团队：指代表达理解新方法，ScanFormer粗到细迭代消除视觉冗余

主要观点总结

本文介绍了机器之心AIxiv专栏发布的关于视觉语言任务中的指代表达理解（REC）的研究进展。浙江大学李玺教授团队提出了ScanFormer框架，通过coarse-to-fine的迭代感知方式提高计算效率，并在多个数据集上取得了与state-of-the-art相近的性能。文章还介绍了方法的具体实现、实验结果和相关文献。

关键观点总结

关键观点1: 机器之心AIxiv专栏介绍

该专栏是机器之心发布学术、技术内容的栏目，多年来报道了多篇覆盖全球各大高校与企业的顶级实验室内容，促进了学术交流与传播。

关键观点2: ScanFormer框架提出

浙江大学李玺教授团队提出了ScanFormer框架，采用coarse-to-fine的迭代感知方式，在图像金字塔中逐层scan，关注前景/任务相关区域，降低计算浪费。

关键观点3: 方法实现与实验结果

方法采用统一文本和视觉模态的ViLT模型，并通过实验在多个数据集上取得了与state-of-the-art相近的性能。同时，方法达到了实时的推理速度，并有一些初步的早退机制尝试。

关键观点4: 相关文献介绍

文章还介绍了与方法相关的文献，包括ViLT、MDETR和OFA等。