今天给大家带来北京大学彭宇新团队教授的最新工作，一种训练无关的动态聚焦视觉搜索方法，论文已被CVPR 2025接收为 Highlight（前13.5%）并完全开源！

论文标题：DyFo: A Training-Free Dynamic Focus Visual Search for Enhancing LMMs in Fine-Grained Visual Understanding

论文链接：https://arxiv.org/abs/2504.14920

开源代码：https://github.com/PKU-ICST-MIPL/DyFo_CVPR2025

实验室网站：https://www.wict.pku.edu.cn/mipl

1.摘要

随着 OpenAI O3 等模型实现“图像思考（thinking with images）”能力，多模态大模型（LMMs）正加速迈向更深层次的视觉推理。然而，当前开源主流 LMMs 仍采用“看图回答”的范式，在处理高分辨率图像、复杂场景或仅涉及图像局部的细粒度理解任务时，容易聚焦不准、产生幻觉，难以满足实际应用需求。

为此，本文提出 DyFo（Dynamic Focus），一种训练无关、即插即用的动态聚焦视觉搜索方法。DyFo 模拟人类视觉搜索行为，结合蒙特卡洛树搜索（MCTS），在多模态大模型与视觉专家模型间实现高效协作，逐步聚焦关键区域，有效过滤无关信息，提升细粒度理解能力。

DyFo 具备良好兼容性，可直接增强任意 LMMs，无需模型改动或额外训练，且采用异步推理架构，支持多策略高效扩展。在 POPE（幻觉检测）与 V* Bench（细粒度理解）等基准上，DyFo 实现了稳健性能提升，作为“图像思考”理念的实用补充，为多模态模型在高复杂度视觉任务中的落地提供了新路径。

2. 背景与动机

多模态大模型（LMMs）近年来在通用视觉理解任务中取得了长足进展。2025 年 4 月，OpenAI 发布了 O3 模型，在“图像思考（thinking with images）”方面实现重要突破：模型能够在推理链中主动处理图像内容，并借助图像缩放、裁剪等操作完成更深入的视觉推理。这标志着多模态推理正从“看图回答”迈向“基于图像思考”的新阶段。然而现有开源主流多模态模型仍主要采取“看图回答”方式，并面临两类实际问题：

1.固定分辨率模型（如 LLaVA-1.5）难以处理超高分辨率图像或密集信息区域；

2.动态分辨率模型（如 Qwen2-VL）容易受到图像中无关内容的干扰，难以精确聚焦用户关注区域。

现有方法尝试通过引入额外模块或监督信号（如 SEAL 的显著性建模）提升聚焦能力，但往往依赖额外训练，缺乏通用性，且性能仍受限于基础模型本身的表征能力。

为此，该文提出了 DyFo（Dynamic Focus），一种训练无关的动态聚焦视觉搜索方法。DyFo 模拟人类视觉搜索策略，基于蒙特卡洛树搜索（MCTS）在多模态大模型与视觉专家之间实现高效协作，引导模型在多轮交互中动态调整关注区域，从而更准确地理解图像中的关键细节，显著提升模型在细粒度视觉任务中的表现。与 OpenAI O3 所代表的前沿视觉推理思路相呼应，DyFo 同样强调“逐步思考”的重要性，但区别在于：

DyFo 无需额外训练，可直接接入任意现有 LMMs，实现性能增强；

完整开源，具备异步推理架构，支持推理策略灵活扩展和高效执行；

在POPE（幻觉测试基准）和V* Bench（细粒度视觉理解）上验证可获得稳定性能增强。

相信 DyFo 的提出为“思考图像”这一理念提供了一种更具实用性的路径补充，有望拓展多模态模型在更高分辨率、更高复杂度任务下的适用范围，推动通用 LMMs 在细粒度理解方向的能力边界。

3. 技术方案

DyFo框架由两个核心组件构成：聚焦调节器（Focus Adjuster）和聚焦树搜索（Focus Tree Search）。

3.1 聚焦调节器（Focus Adjuster）

聚焦调节器是一种协同机制，融合了LMM的多模态语义理解能力与视觉专家模型的精细感知能力。该文设计了具有可解释性的动作空间（Action Space），用于模拟人类视觉聚焦行为，指导LMM与视觉专家高效互动，动态调整关注区域。

具体包括以下两类核心动作：

语义聚焦（Semantic Focus）：该动作基于当前对语义内容的理解（如问题相关目标、上下文关键词等），引导视觉专家在图像中定位最具语义关联的区域，模拟人类视觉中的联合搜索与内源性注意机制。

语义发散（Semantic Scatter）：该动作扩展当前关注区域的范围，防止因过度聚焦而遗漏关键信息，模拟人眼聚焦过程中的发散行为，提高模型对潜在目标的全局感知能力。

在执行过程中：

LMM根据当前聚焦区域的语义上下文提供文本线索；

视觉专家依据线索对图像进行精确感知与定位；

双方通过动作序列迭代执行，实现动态、可控的聚焦路径优化。

该机制显著提升了模型在细粒度视觉搜索中的性能，使其能够在复杂图像场景中有效识别和聚焦语义关键区域。

3.2 聚焦树搜索（Focus Tree Search）

聚焦树搜索采用蒙特卡洛树搜索（MCTS）算法，通过构建聚焦树来高效导航视觉空间。每个节点代表一个聚焦状态，每条边对应一个聚焦转换动作。该算法通过三个关键阶段实现高效搜索：

1.选择阶段：平衡探索与利用，选择最有潜力的聚焦节点（图-文对）；

2.扩展阶段：在叶节点选择动作生成新的子节点，扩展搜索空间；

3.反向传播阶段：更新节点价值，优化搜索策略。

为了模拟人类视觉行为，DyFo设计了一个动作空间，包括语义聚焦和语义扩散等操作，使模型能够像人类一样灵活调整注意力焦点。与现有大量的依赖LMMs基于文本的推理方法不同，DyFo的动作设计模拟人类视觉行为而非纯粹的语义推理，提供了更自然、更有效的视觉搜索体验。最后，DyFo采用多节点投票机制整合搜索树中的信息，确保模型既能捕捉关键细节，又不会过度关注局部而忽略全局信息。

4. 实验结果

研究团队在多个权威基准测试上评估了DyFo的性能，包括POPE（基于对象探测的幻觉评估）和V* Bench（细粒度视觉语言理解）。

4.1 POPE基准测试结果

在POPE基准测试中，DyFo在三个数据集（COCO、AOKVQA、GQA）和三种采样策略（随机、流行、对抗）下均取得了显著性能提升。与LLaVA-1.5和Qwen2-VL等固定分辨率和动态分辨率模型相比，DyFo在准确率和F1分数等指标上均实现了一致提升。

实验结果表明，DyFo通过结合聚焦树搜索和专家协作，能够有效过滤无关或误导性视觉内容，减少幻觉，增强细粒度视觉理解能力。在随机采样策略下，DyFo-Q（与Qwen2-VL结合）的准确率达到92.13%，F1分数达到91.71%，显著优于基线模型。

4.2 V* Bench测试结果

V* Bench专注于高分辨率图像中的细粒度视觉理解任务，对模型聚焦细节的能力提出了更高挑战。实验结果显示，大多数多模态大模型在此测试中表现接近随机水平，而现有工具型方法也难以取得有意义的结果。 作为一种无需额外适应或训练的视觉搜索方法，DyFo在属性识别和空间关系推理任务上均超越了SEAL等专门为细粒度视觉搜索设计的模型。这证明了灵活视觉搜索方法与多模态大模型集成的巨大潜力。

4.3 消融研究

研究团队进一步分析了动作空间设计对视觉定位的影响，发现结合多种动作能带来显著性能提升。与视觉专家的对比实验表明，DyFo不仅从专家的视觉能力中获益，还能通过LMMs的参与弥补专家的局限性，实现互补增强。

案例研究展示了DyFo在低分辨率和高分辨率场景中的表现。在低分辨率示例中，DyFo能够动态调整焦点区域（通过红框标示），使LMMs过滤无关内容并缓解幻觉问题。在高分辨率示例中，DyFo成功聚焦占图像面积不到1/50的关键对象，证明了其处理复杂视觉任务的卓越能力。

5. 结论

本文提出 DyFo（Dynamic Focus），一种训练无关、即插即用的动态聚焦视觉搜索方法。通过模拟人类视觉搜索行为并引入蒙特卡洛树搜索（MCTS）策略，DyFo 能够引导多模态大模型逐步聚焦关键视觉区域，显著缓解幻觉问题，提升在高分辨率与复杂场景下的细粒度理解能力。作为对 OpenAI O3 所代表的“图像思考”范式的实用补充，DyFo 不依赖额外训练或模型修改，具备良好的通用性与工程可复用性。其异步推理架构为多策略开发与高效执行提供支持，有望为多模态系统提供更灵活可靠的视觉推理方案。

未来工作将进一步探索 DyFo 在开放环境、多模态链式推理等更广泛任务中的应用潜力，并研究其与不同类型视觉专家模型的协同机制，推动通用 LMMs 在高复杂度场景下的能力边界持续扩展。