PerceptionDLM

PerceptionDLM 是一个面向多区域视觉理解的多模态扩散语言模型（DLM），支持对图像中多个掩码区域进行并行化描述生成。其核心特点是利用扩散模型的并行去噪机制，一次性生成所有区域的文本描述，显著提升密集区域场景下的吞吐效率（最高达3.4倍加速），同时在15/16个主流多模态基准上超越同类离散扩散视觉语言模型。项目提供预训练模型、专用数据集（PerceptionDLM-Data）及评测基准（ParaDLC-Bench），适用于需要高并发区域理解能力的视觉分析任务，如细粒度图像标注、医学影像多病灶描述、遥感图像多目标解析等场景。