慢速感知：逐步感知几何图形
计算机视觉与模式识别
2025-01-28 v2
摘要
最近，“视觉o1”开始进入人们的视野，期待这种慢速思考设计能够解决视觉推理任务，尤其是几何数学问题。然而，现实情况是，当前的大型视觉语言模型（LVLMs）几乎无法准确地复制几何图形，更别提真正理解几何图形中复杂的内在逻辑和空间关系了。我们认为，准确复制（强感知）是视觉o1的第一步。因此，我们提出了“慢速感知”（SP）的概念，这指导模型逐步感知基本的点线组合，以类似人类的方式逐步重构复杂的几何结构。SP包含两个阶段：a)感知分解。感知并非瞬时完成。在这一阶段，复杂的几何图形被分解为基本的简单单元，以统一几何表示。b)感知流，这一阶段认识到，准确地描绘一条线并非易事。该阶段旨在通过提出的“感知尺规”逐笔描绘每一条线段，以避免在回归线段时出现“长时间视觉跳跃”。令人惊讶的是，这种类人感知方式享有推理时间的比例规律——慢一点更好。研究者们一直致力于加快模型感知速度，但我们重新放慢速度，让模型逐步读取图像并仔细感知。
引用
@article{arxiv.2412.20631,
title = {Slow Perception: Let's Perceive Geometric Figures Step-by-step},
author = {Haoran Wei and Youyang Yin and Yumeng Li and Jia Wang and Liang Zhao and Jianjian Sun and Zheng Ge and Xiangyu Zhang and Daxin Jiang},
journal= {arXiv preprint arXiv:2412.20631},
year = {2025}
}