Percepción Lenta: Percibamos Figuras Geométricas Paso a Paso

Slow Perception: Let's Perceive Geometric Figures Step-by-step

December 30, 2024

Autores: Haoran Wei, Youyang Yin, Yumeng Li, Jia Wang, Liang Zhao, Jianjian Sun, Zheng Ge, Xiangyu Zhang

cs.AI

Resumen

Recientemente, "visual o1" comenzó a entrar en la visión de las personas, con la expectativa de que este diseño de pensamiento lento pueda resolver tareas de razonamiento visual, especialmente problemas matemáticos geométricos. Sin embargo, la realidad es que los LVLM actuales (Modelos de Lenguaje de Visión Amplia) apenas pueden copiar con precisión una figura geométrica, y mucho menos entender verdaderamente la lógica compleja inherente y las relaciones espaciales dentro de las formas geométricas. Creemos que la copia precisa (percepción fuerte) es el primer paso para el visual o1. Por lo tanto, introducimos el concepto de "percepción lenta" (SP), que guía al modelo para percibir gradualmente combinaciones básicas de puntos-líneas, al igual que nuestros humanos, reconstruyen progresivamente estructuras geométricas complejas. SP consta de dos etapas: a) descomposición de la percepción. La percepción no es instantánea. En esta etapa, las figuras geométricas complejas se descomponen en unidades simples básicas para unificar la representación geométrica. b) flujo de percepción, que reconoce que trazar con precisión una línea no es una tarea fácil. Esta etapa tiene como objetivo evitar "saltos visuales largos" al retroceder segmentos de línea mediante el uso de una "regla perceptual" propuesta para trazar cada línea trazo a trazo. Sorprendentemente, este modo de percepción humanoide disfruta de una ley de escala de tiempo de inferencia: cuanto más lento, mejor. Los investigadores han intentado acelerar la percepción del modelo en el pasado, pero ahora la ralentizamos nuevamente, permitiendo que el modelo lea la imagen paso a paso y cuidadosamente.

English

Recently, "visual o1" began to enter people's vision, with expectations that this slow-thinking design can solve visual reasoning tasks, especially geometric math problems. However, the reality is that current LVLMs (Large Vision Language Models) can hardly even accurately copy a geometric figure, let alone truly understand the complex inherent logic and spatial relationships within geometric shapes. We believe accurate copying (strong perception) is the first step to visual o1. Accordingly, we introduce the concept of "slow perception" (SP), which guides the model to gradually perceive basic point-line combinations, as our humans, reconstruct complex geometric structures progressively. There are two-fold stages in SP: a) perception decomposition. Perception is not instantaneous. In this stage, complex geometric figures are broken down into basic simple units to unify geometry representation. b) perception flow, which acknowledges that accurately tracing a line is not an easy task. This stage aims to avoid "long visual jumps" in regressing line segments by using a proposed "perceptual ruler" to trace each line stroke-by-stroke. Surprisingly, such a human-like perception manner enjoys an inference time scaling law -- the slower, the better. Researchers strive to speed up the model's perception in the past, but we slow it down again, allowing the model to read the image step-by-step and carefully.