該工作由南洋理工大學陶大程教授團隊與武漢大學羅勇教授、杜博教授團隊等合作完成。

近些年，多模態大語言模型（MLLMs）在視覺問答、推理以及 OCR 等任務上取得了顯著的成功。然而，早期的 MLLMs 通常采用固定的分辨率（例如 LLaVA-v1.5 將輸入圖像縮放為），對于輸入圖像為高分辨率圖像（例如 8K 分辨率）會導致圖像變得模糊，損失大量有效的視覺信息。

為了解決上述問題，目前的解決方案分為三類：

1. 基于裁剪的方法：對于高分辨率圖像裁剪成多個子圖，每個子圖分別通過視覺編碼器提取視覺特征后再進行拼接。然而對于 8K 的圖像，假設采用 ViT-L/14 就需要接近 300K 的 visual token 長度，這對于目前大語言模型（LLM）的長上下文建模能力是一個巨大的挑戰。

2. 采用處理高分圖像的視覺編碼器：使用能處理更高分辨率圖像的視覺編碼器代替基于 CLIP 訓練的 ViT。然而，對于 8K 分辨率的圖像，依舊會縮放到對應視覺編碼器能接受的輸入分辨率 (例如 ConvNeXt-L 的分辨率為)。

3. 基于搜索的方法：這類方法不需要訓練，通過將高分辨率圖像構建成樹結構，在樹結構上進行搜索。然而，這類方法在搜索的開始階段輸入的是高分辨率圖像，從而容易搜索錯誤的路徑，導致推理時延增加甚至搜索到錯誤的結果。

事實上，在自然語言處理領域，對于長上下文建模，通過檢索增強生成技術（RAG），檢索關鍵的文本片段代替原始的長上下文作為輸入，從而提高 LLM 回復的準確度。那么在 MLLM 中，是否也可以基于 RAG 技術提高 MLLM 對高分辨率圖像的感知？

為了回答上述問題，研究人員通過實驗，探索 RAG 應用在 MLLM 對于高分辨率圖像感知的可行性。基于實驗發現，提出了 Retrieval-Augmented Perception (RAP), 一種無需訓練的基于 RAG 技術的高分辨率圖像感知插件。該工作已被 ICML 2025 接收，并獲評為 Spotlight 論文（top 2.6%）。

• 論文鏈接：https://arxiv.org/abs/2503.01222
• 主頁鏈接：https://dreammr.github.io/RAP
• 代碼鏈接：https://github.com/DreamMr/RAP

思考

為了探究將 RAG 應用于 MLLM 的高分辨率圖像感知，研究人員提出了三個問題：

1. 檢索出來的圖像塊如何布局？

2. 檢索的圖像塊數量對最終性能的影響如何？

3. 如何基于上述發現，將 RAG 更好的應用于 MLLMs 對高分辨率圖像的感知？

檢索出來的圖像塊布局方式

為了探究檢索圖像塊布局的影響，研究人員設計了三種策略：1）按照檢索的分數從高到低進行排列；2）按照原始順序進行排列和 3）維持檢索圖像塊的相對位置關系。具體的布局例子見下圖。

如下表所示，在三種布局方案中，對于單實例感知任務（FSP）都有顯著提升，然而 1）和 2）在跨實例感知任務（FCP）上相較于 baseline 有明顯性能下降。而 3）由于維持了圖像塊之間的相對位置關系，因此 3）在 FCP 任務上在三種策略中取得更好的效果。

結論 1: 維持檢索圖像塊之間的相對位置關系是有必要的，特別是對于需要空間感知的任務。

檢索的圖像塊數對最終性能的影響

為了探究檢索的圖像塊數的影響，研究人員使用 LLaVA-v1.5 和 LLaVA-v1.6 7B & 13B 在高分圖像感知評測數據集 HR-Bench 上進行實驗。

如下圖所示，當檢索的數量 (K) 增加時，由于提供了更多的視覺信息，在 FCP 任務上的性能逐漸增加。然而，當K增加時，輸入圖像的分辨率也相應增加，導致模型輸出的結果準確性下降。相反，對于 FSP 任務而言，較小的 K 便能取得更好的效果，但是在 FCP 任務上效果較差。

結論 2: 不同的任務類型需要保留的圖像塊數不同。對于 FSP 任務而言，僅需要較少的圖像塊數便能取得較好的效果，更多的圖像塊數反而影響模型的性能。對于 FCP 任務而言，更多的圖像塊數能夠保留足夠的視覺信息，但是依舊受到輸入圖像分辨率的限制。

方法

基于上述實驗發現，研究人員提出了一種無需訓練的高分圖像檢索增強框架 —— Retrieval-Augmented Perception (RAP)。RAP 的設計原理是通過檢索和用戶問題相關的圖像塊，代替原始的高分辨率圖像輸入到 MLLMs 中。該方法有效地降低輸入圖像的分辨率，并且保留和用戶問題相關的關鍵視覺信息。為了維持檢索圖像塊之間的相對位置關系，研究人員設計了 Spatial-Awareness Layout 算法，通過確定關鍵的圖像塊的位置，剔除無效的行和列，在降低圖像分辨率的同時，有效保持圖像塊之間的相對位置關系。此外，為了自適應選擇合適的K，研究人員提出了 Retrieved-Exploration Search (RE-Search)，通過檢索的相似度分數和模型的置信度分數作為啟發式函數，引導模型搜索合適的K。方法架構圖如下圖所示：

Spatial-Awareness Layout: 對于一張高分辨率圖像，首先對其進行裁剪成多個圖像塊 (V)。接著通過檢索器 VisualRAG 計算每個圖像塊和用戶問題 (q) 的相似度分數：

然后根據預先設定要保留的圖像塊數K，篩選出 top - K圖像塊，并構建 0-1 矩陣M標記要保留的圖像塊的位置為 1，其余位置標記為 0。接著對矩陣M進行掃描，提取其中非零行和列的索引，其余位置刪除，從而生成壓縮矩陣。最后根據壓縮矩陣提取出相應的圖像塊合成新的圖像。

RE-Search: 為了自適應選擇保留的圖像塊數K，研究人員受到算法的啟發提出了 RE-Search。研究人員將當前的圖像按照不同的保留圖像塊數的比例，通過 Spatial-Awareness Layout 算法對圖像進行壓縮，生成子節點。與之前基于搜索的方法不同，為了避免在搜索的初始階段受到圖像分辨率的影響，RE-Search 引入了每個圖像塊和用戶問題的相似度分數:

這里表示有效的圖像塊，n表示有效的圖像塊的數量，g(t)表示當前的圖像與用戶問題的語義相似度。在算法中通過啟發式函數h估計從當前狀態到目標狀態的花費。這里通過讓 MLLM 自身判斷當前的圖像是否有足夠的視覺信息回答用戶的問題：

其中表示 MLLM，是提示模板用于構造文本問題（例如:“Question: {q} Could you answer the question based on the available visual information?”）。這里計算模型對于回復為 “Yes” 的置信度分數作為啟發式函數。

由于在最開始圖像的分辨率較大，模型輸出的結果h(t)不可靠。因此在最開始搜索過程中降低h(t)的權重，隨著搜索深度加深，逐漸增加h(t)的權重，具體計算公式如下：

其中b是一個超參數，具體實現時設置為0.2，d是搜索的深度。

實驗結果

本文在高分辨率圖像評測數據集 Bench 和 HR-Bench 上進行評測。對比的方法包括基于裁剪的方法（LLaVA-v1.6, InternVL-1.5 等）以及使用處理高分辨率圖像的視覺編碼器的方法（LLaVA-HR-X），實驗結果如下表所示，RAP 在單實例感知和多實例感知任務上都能帶來明顯的性能提升。特別是在 HR-Bench 4K 和 8K 上分別帶來最大 21% 和 21.7% 的準確率提升。

論文中還對比了基于搜索的方法（結果見下表），RAP 相比于 和 Zoom Eye 在吞吐量和準確率上都取得更好的效果。

此外，消融實驗表明 (見下表)，如果僅加入 VisRAG 檢索和用戶問題相關的圖像塊，僅帶來 6.5% 的提升，通過維持檢索圖像塊之間的相對位置關系在 FCP 任務上能夠有所改進。通過引入 RE-Search 自適應選擇合適的K，最終能夠帶來 21.7% 的性能提升。

總結

綜上，該工作提出了 Retrieval-Augmented Perception (RAP)，一種無需訓練基于 RAG 技術提高 MLLM 對高分辨率圖像感知的方法。該方法使用 Spatial-Awareness Layout 算法維持檢索的圖像塊之間的相對位置信息，通過 RE-Search 自適應選擇合適的K值，在保留關鍵視覺信息的同時有效降低圖像的分辨率。實驗結果表明，RAP 在 MLLM 高分辨率圖像感知的場景中展現出顯著優勢。