让你更懂AI的 2025-06-19 14:02 北京
从“看图回答”到“图像思考”
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
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，容易产生幻觉、被大量无关视觉输入干扰，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，支持自定义推理策略的高效执行和验证。
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。
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，我们提出了 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，带来性能增强；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。我们相信，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。
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）。▲ 图1. DyFo 框架主要包括聚焦调节器和聚焦树搜索两大模块3.1 聚焦调节器（Focus Adjuster）▲ 图2. 聚焦调节器执行过程
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。
我们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）▲ 图3. 聚焦树搜索过程
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。
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▲ 表1. POPE-（COCO, A-OKVQA, GQA）数据集上 DyFo 和对应多模态大模型效果对比▲ 表2. POPE-COCO 数据集上 DyFo 和现有多种视觉增强大模型效果对比
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▲ 表3. V* Bench 数据集上 DyFo 和现有多种方法（开源、闭源、视觉搜索）效果对比
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▲ 表4. POPE-COCO 数据集上对比视觉专家、原始模型和 DyFo 效果
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。▲ 图4. POPE 数据集上多种模型的案例对比（红框为 DyFo 最终关注区域）▲ 图5. V* Bench 数据集上多种模型的案例对比（红框为 DyFo 最终关注区域）
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。
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。
更多阅读
