溥凡陽

本文第一作者是來自南洋理工大學(xué)的博士生趙克森，主要研究方向?yàn)镽einforcementLearninginMLLMs.該論文已被ICCV2025錄用。

隨著文本領(lǐng)域中思維鏈（Chain-of-Thought，CoT）推理機(jī)制的成功應(yīng)用，研究者開始將該方法引入視覺理解任務(wù)，以提升模型的推理能力和可解釋性。

然而，現(xiàn)有模型局限于文本級別的思維鏈推理，且處理圖像的粒度固定，難以根據(jù)語義線索動(dòng)態(tài)關(guān)注圖像中的關(guān)鍵區(qū)域。針對上述問題，本文提出UV-CoT（UnsupervisedVisualChain-of-Thought），一種無監(jiān)督視覺思維鏈推理新框架

該方法以「關(guān)鍵區(qū)域→推理過程」的人類視覺理解方式為參考（如下圖所示），設(shè)計(jì)了無監(jiān)督的數(shù)據(jù)生成與偏好優(yōu)化機(jī)制，動(dòng)態(tài)聚焦關(guān)鍵區(qū)域，實(shí)現(xiàn)細(xì)粒度推理，顯著提升了模型的空間感知與圖文推理能力。

論文標(biāo)題：UnsupervisedVisualChain-of-ThoughtReasoningviaPreferenceOptimization論文鏈接：https://arxiv.org/abs/2504.18397項(xiàng)目地址：https://kesenzhao.github.io/my_project/projects/UV-CoT.html代碼倉庫：https://github.com/kesenzhao/UV-CoT開源模型:https://huggingface.co/papers/2504.18397

背景：有監(jiān)督訓(xùn)練

需要高昂的人工成本

現(xiàn)有方法采用有監(jiān)督微調(diào)（SupervisedFine-Tuning,SFT）策略訓(xùn)練模型，使用大量有標(biāo)簽的思維鏈推理數(shù)據(jù)，由人工標(biāo)注關(guān)鍵區(qū)域及其推理過程。這類方法面臨以下挑戰(zhàn)：

人工標(biāo)注成本高，擴(kuò)展性差：標(biāo)注關(guān)鍵圖像區(qū)域和推理路徑需要耗費(fèi)大量人力和時(shí)間，尤其在復(fù)雜視覺語義理解任務(wù)中，難以適應(yīng)多任務(wù)或大規(guī)模場景。

訓(xùn)練信號單一，泛化能力有限：SFT僅利用人工標(biāo)注的「正樣本」（正確區(qū)域及回答），忽略其他潛在合理或不合理的區(qū)域與推理路徑，導(dǎo)致模型在未知場景下的泛化能力不足。

UV-CoT設(shè)計(jì)了一套自動(dòng)化的偏好數(shù)據(jù)生成與評估流程，結(jié)合改進(jìn)的偏好優(yōu)化算法Score-DPO（sDPO），在不依賴人工標(biāo)注的前提下，通過偏好評分排序引導(dǎo)模型實(shí)現(xiàn)無監(jiān)督圖像級思維鏈學(xué)習(xí)（如下圖所示）。

貢獻(xiàn)一：無監(jiān)督偏好數(shù)據(jù)生成與評估

通過動(dòng)態(tài)生成偏好數(shù)據(jù)，UV-CoT減少了對高質(zhì)量標(biāo)注數(shù)據(jù)的依賴，能夠在無監(jiān)督數(shù)據(jù)條件下實(shí)現(xiàn)圖像級思維鏈推理。

貢獻(xiàn)二：sDPO與迭代學(xué)習(xí)

UV-CoT使用改進(jìn)的直接偏好優(yōu)化（DPO）算法sDPO，通過引入偏好分?jǐn)?shù)差異優(yōu)化圖像級思維鏈推理，并采用迭代學(xué)習(xí)策略動(dòng)態(tài)適應(yīng)模型輸出分布。

sDPO損失函數(shù)如下：

實(shí)驗(yàn)亮點(diǎn)

顯著性能提升（表1）：在六大基準(zhǔn)上，優(yōu)于有監(jiān)督的思維鏈模型Visual-CoT-7B，遠(yuǎn)超目標(biāo)模型LLaVA-1.5-7B和其他無思維鏈模型。

泛化能力強(qiáng)，易于拓展（表2）：在零樣本設(shè)置下，UV-CoT平均提升2.5%，添加額外無標(biāo)注數(shù)據(jù)后，平均提升達(dá)5.1%。

勝任高分辨率場景（表3）：在V*Bench上，UV-CoT平均得分0.402，平均提升5.5%，尤其在OCR任務(wù)中提升8.4%。

不依賴評估模型，邊界框生成質(zhì)量高（表5）：UV-CoT通過自評估（目標(biāo)模型作為評估器）表現(xiàn)仍遠(yuǎn)超目標(biāo)模型LLaVA-1.5-7B（+4.8%），接近12B模型OmniLMM-12B（-0.2%）。將UV-CoT生成的邊界框應(yīng)用于OmniLMM-12B和LLaVA-1.5-7B輔助推理，性能分別提升7.3%和4.7%。

偏好數(shù)據(jù)與思維鏈推理可視化

結(jié)語

UV-CoT提出了一種創(chuàng)新的無監(jiān)督視覺思維鏈推理框架，通過自動(dòng)化的數(shù)據(jù)生成與對比評估機(jī)制，成功擺脫了對人工標(biāo)注的依賴，實(shí)現(xiàn)了關(guān)鍵圖像區(qū)域的自動(dòng)識(shí)別與推理優(yōu)化。該方法為高效、可擴(kuò)展的多模態(tài)推理提供了新思路，為未來無監(jiān)督視覺理解研究奠定了堅(jiān)實(shí)基礎(chǔ)。