CrowdCue：视觉语言人群计数的专家提示调节

生成视觉语言模型 (VLM) 提供了一种计数范式，其中一个模型既生成计数又生成场景的自然语言描述，但其原始计数精度处于亚百万参数专业回归量的范围内。悬而未决的问题是，来自预先培训的专家的辅助指导是否可以将他们提升到有用的领域，以及通过哪个渠道提供最佳指导。 We evaluate Qwen2.5-VL-7B on four widely used crowd counting benchmarks (ShanghaiTech A and B, UCF-QNRF, NWPU-Crowd). Zero-shot prompting rarely produces a parseable count, so LoRA supervised fine-tuning establishes the baseline at overall MAE 81.64.在我们测试的每种编码中，将 P2PNet 派生的密度热图作为辅助视觉信号进行调节都会失败，并且对抗性交换协议显示模型读取了热图，但应用它却适得其反。 We propose CrowdCue, a family that supplies the same specialist's already-integrated integer count to the VLM as a discrete symbol.文本通道变体达到 MAE 72.04。视觉通道变体将整数渲染为打印数字并将其作为第二张图像提供，达到了 MAE 62.65，这是本文中最强的结果，远远领先于单独提供提示的专家（同一部分的 84.45）。在我们研究的后期融合 VLM 中，绑定约束不是通道，而是传递专业信号的抽象级别。