Ground-R1：通过强化学习激励基于视觉证据的视觉推理
计算机视觉与模式识别
2026-02-04 v3
摘要
大型视觉语言模型（LVLMs）已成为强大的通用助手，但由于缺乏充分的视觉证据支撑，其预测往往缺乏可靠性与可解释性。新兴的“图像思考”范式试图通过将推理显式锚定到图像区域来解决这一问题。然而，我们通过实验发现，大多数现有方法在优化过程中存在系统性的尺度驱动偏差，即训练奖励被大视觉区域所主导，抑制了对小但语义关键的证据的学习，导致在推理时产生虚假的视觉定位。为解决这一局限性，我们提出了 Ground-R1，这是一个去偏的“图像思考”框架，通过一种新颖的尺度相对策略优化（SRPO）目标进行训练，以替代标准的 GRPO。具体而言，我们的 SRPO 通过尺度感知分箱以及箱内/箱间比较，重新校准了不同大小证据区域的奖励学习，从而在训练过程中实现平衡的信用分配。在通用 LVLM、高分辨率和视觉定位基准上的实验结果验证了 Ground-R1 的有效性，并表明 SRPO 在响应准确率和证据定位方面均比标准 GRPO 取得了一致的提升。
引用
@article{arxiv.2505.20272,
title = {Ground-R1: Incentivizing Grounded Visual Reasoning via Reinforcement Learning},
author = {Meng Cao and Haoze Zhao and Can Zhang and Xiaojun Chang and Ian Reid and Xiaodan Liang},
journal= {arXiv preprint arXiv:2505.20272},
year = {2026}
}