V2P：通过背景抑制与中心聚焦实现 GUI 定位的视觉注意力校准

GUI 元素的精确定位对 GUI Agent 的发展至关重要。传统方法依赖边界框或中心点回归，忽视了空间交互的不确定性与视觉-语义层级。近期方法引入了注意力机制，但仍面临两个关键问题：（1）忽略对背景区域的处理会导致注意力漂离目标区域；（2）对目标 UI 元素进行均匀建模，无法区分其中心与边缘，导致点击不精确。受人类视觉处理和与 GUI 元素交互方式的启发，我们提出 Valley-to-Peak（V2P）方法来解决这些问题。为减轻背景干扰，V2P 引入抑制注意力机制，将模型对无关区域的关注降到最低，以突出目标区域。针对中心-边缘区分问题，V2P 采用受费茨定律（Fitts' Law）启发的方法，将 GUI 交互建模为二维高斯热图，权重从中心向边缘逐渐衰减。权重分布服从高斯函数，方差由目标大小决定。由此，V2P 能有效分离目标区域，并教会模型聚焦于 UI 元素最关键的点。经 V2P 训练的模型在 ScreenSpot-v2 和 ScreenSpot-Pro 两个基准上分别取得 92.4% 和 52.5% 的成绩（见 Fig.~\ref{fig:main_results_charts}）。消融实验进一步证实了各组件的贡献，凸显了 V2P 在精确 GUI 定位任务中的泛化能力及其在未来 GUI Agent 中实际部署的潜力。