**SaMer:通过对象感知令牌合并优化视觉-语言检索效率**

_Do All Visual Tokens Matter Equally? Object-Evidence Preserving Token Merging for Vision-Language Retrieval_

> HuggingFace每日论文推荐提出SaMer框架,在保持多向量检索精度的同时压缩图像令牌。该方法仅训练时利用对象标注作为先验,推理时无需边界框或检测器,即可移除93%以上的令牌并显著降低存储成本,同时在Flickr30K等数据集上提升检索性能。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-07-07 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2607.04605)