头部感知视觉裁剪：基于注意力引导的子图像增强细粒度VQA

多模态大语言模型（MLLMs）在视觉问答（VQA）中表现出强大的性能，但由于低分辨率输入和噪声注意力聚合，仍受限于细粒度推理。我们提出一种名为Head Aware Visual Cropping（HAVC）的训练-free方法，通过利用选择性精炼的注意力头来提升视觉 grounding。HAVC首先通过OCR基准诊断任务筛选注意力头，确保仅保留那些具有真实 grounding 能力的头。推理时，这些头还利用空间熵进行更强的空间集中，并利用梯度敏感性进行预测贡献。融合这些信号可产生可靠的视觉裁剪引导图，从而突出显示最具任务相关性的区域，并指导裁剪出子图像随后提供给MLLM一起处理图像-问题对。大量实验表明，HAVC在多个细粒度VQA基准测试上均优于最先进的裁剪策略，实现更精确的局部化、更强的视觉 grounding，为增强MLLM的精度提供了一个简单而有效的策略。