本文介绍了一种新型的视觉问答系统FLMR,它通过细粒度的后期多模态交互检索来增强视觉问答能力。该系统在OK-VQA等基准测试中取得了显著的性能提升,为知识密集型视觉问答任务提供了新的解决方案。

Retrieval-Augmented Visual Question Answering (RA-VQA)是一种新型的视觉问答方法,通过引入外部知识和多模态检索来提升问答性能。本文介绍了RA-VQA的最新进展,包括Fine-grained Late-interaction Multi-modal Retrieval (FLMR)等技术,并提供了详细的实现指南。