ICCV 2025｜UV-CoT：无监督视觉推理新突破，偏好优化重塑图像级思维链

主要观点总结

本文介绍了博士生赵克森的研究工作，针对现有视觉理解任务中思维链推理机制的局限性，提出了一种新的无监督视觉思维链推理框架UV-CoT。该框架通过自动化的数据生成与对比评估机制，实现了关键图像区域的自动识别与推理优化，显著提升了模型的空间感知与图文推理能力。

关键观点总结

关键观点1: 研究背景及现有挑战

随着思维链推理机制在文本领域的成功应用，研究者开始将其引入视觉理解任务。但现有模型存在局限于文本级别的思维链推理、处理图像粒度固定、难以根据语义线索动态关注图像中的关键区域等问题。

关键观点2: UV-CoT框架的主要贡献

提出了UV-CoT框架，该框架通过无监督的数据生成与偏好优化机制，动态聚焦关键区域，实现细粒度推理。设计了自动化的偏好数据生成与评估流程，结合改进的偏好优化算法Score-DPO，在不依赖人工标注的前提下，实现无监督图像级思维链学习。

关键观点3: UV-CoT的实验亮点

在六大基准上优于有监督的思维链模型，泛化能力强，易于拓展。在高分辨率场景和边界框生成质量方面也有显著提升。通过自动化的数据生成与对比评估机制，成功摆脱了对人工标注的依赖。

关键观点4: 结语

UV-CoT框架为未来无监督视觉理解研究奠定了坚实基础，提供了一种高效、可扩展的多模态推理新思路。

免责声明