# Wskazywanie na obrazie rzeczy opisanej słowami (visual grounding)

EN: **Visual grounding (referring expression comprehension)** · id `visualgrounding` · aliases: visual grounding, phrase grounding, referring expression comprehension, REC, ugruntowanie wizualne

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Modele multimodalne](https://aiatlasgraph.com/t/multimodal.md) › [Modele wizja–język (opisywanie obrazów i pytania o nie)](https://aiatlasgraph.com/t/vlm.md) › Wskazywanie na obrazie rzeczy opisanej słowami (visual grounding)

## Description

- PL: Lokalizacja regionu obrazu (ramka lub maska) odpowiadającego wyrażeniu językowemu, w tym wyrażeniom pasującym do wielu obiektów lub żadnego.
- EN: Localising the image region (box or mask) matching a language expression, including expressions matching several objects or none.

## In one sentence

- PL: Opisujesz słowami jedną rzecz na zdjęciu, a program zaznacza ją ramką lub obrysem.
- EN: You describe one thing in a photo in words and software marks it with a box or outline.

## Problem it solves

- PL: Na zdjęciu jest wiele podobnych rzeczy, a ty potrzebujesz tej jednej — i nie da się jej wskazać palcem przez tekst.
- EN: A photo holds many similar things and you need exactly one — and you can't point a finger through text.

## What it does

- PL: Rozumie opisy typu „ten kubek po lewej, za laptopem” i zamienia je na konkretne miejsce na obrazie.
- EN: It understands phrases like 'the mug on the left, behind the laptop' and turns them into a place in the image.

## Everyday example

- PL: Mówisz robotowi kuchennemu „podaj czerwony kubek z uchem”, a on wybiera właściwy spośród trzech.
- EN: You tell a kitchen robot 'hand me the red mug with a handle' and it picks the right one out of three.

## This concerns you if you…

- PL: edytujesz zdjęcia poleceniami słownymi
- PL: sterujesz robotem lub agentem klikającym w ekran
- PL: chcesz, by AI pokazało, na co patrzy
- EN: edit photos with spoken or typed commands
- EN: control a robot or a screen-clicking agent
- EN: want AI to show what it is looking at

## Keywords

RefCOCO · RefCOCO+ · RefCOCOg · phrase grounding · Grounding DINO · Kosmos-2 · referring segmentation · GUI grounding

## How it works

- PL: Model łączy cechy obrazu i tekstu przez uwagę krzyżową i przewiduje ramkę lub maskę albo wybiera region spośród propozycji detektora. Multimodalne LLM zapisują współrzędne jako tokeny tekstu, dzięki czemu mogą w odpowiedzi wskazywać miejsca na obrazie.
- EN: The model fuses image and text features with cross-attention and predicts a box or mask, or picks a region from detector proposals. Multimodal LLMs write coordinates as text tokens, so their answers can point to places in the image.

## Limits

- PL: Opisy relacji przestrzennych i porównań („drugi od prawej”) są trudne. Klasyczne zbiory testowe są bliskie nasycenia, a obrazy bardzo wysokiej rozdzielczości i małe obiekty wciąż sprawiają problemy.
- EN: Spatial and comparative phrases ('second from the right') are hard. Classic benchmarks are near saturation, while very high-resolution images and tiny objects still cause trouble.

## Key terms

- PL: **referring expression**: Opis jednoznacznie wskazujący jeden obiekt na obrazie.
- PL: **bounding box**: Prostokąt wyznaczający położenie obiektu.
- PL: **generalized grounding**: Wariant, w którym opis może pasować do wielu obiektów albo żadnego.
- EN: **referring expression**: A phrase pointing to one specific object in an image.
- EN: **bounding box**: A rectangle marking an object's location.
- EN: **generalized grounding**: A setting where a phrase may match several objects or none.

## Know first

- [Detekcja obiektów (Object detection)](https://aiatlasgraph.com/t/objectdetection.md)

## Related topics

Untyped, symmetric "see also" links.

- [Detekcja obiektów opisanych tekstem (Open-vocabulary object detection)](https://aiatlasgraph.com/t/openvocabdetection.md)

## Sources

- [Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection](<https://arxiv.org/abs/2303.05499>) `liu-grounding-dino-2023` · by Shilong Liu, Zhaoyang Zeng, Tianhe Ren, Feng Li, Hao Zhang i in.
- [Toward Visual Grounding: A Survey](<https://arxiv.org/abs/2412.20206>) `xiao-2024-visual-grounding-survey` · by Linhui Xiao, Xiaoshan Yang, Xiangyuan Lan, Yaowei Wang, Changsheng Xu

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/visualgrounding · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30