NoisyRollout: データ拡張による視覚的推論の強化

要旨

強化学習（RL）の最近の進展により、視覚言語モデル（VLM）の推論能力が強化されてきた。しかし、テスト時の計算リソースをより効果的にスケールさせるためのポリシー探索の強化は、VLMにおいてまだ十分に検討されていない。さらに、VLMは不完全な視覚知覚に悩まされており、それがその後の推論プロセスに影響を与えている。この問題に対処するため、我々はNoisyRolloutを提案する。これは、クリーンな画像と中程度に歪んだ画像の両方からの軌跡を混合し、視覚知覚とそれに続く推論パターンにターゲットを絞った多様性を導入する、シンプルでありながら効果的なRLアプローチである。追加のトレーニングコストなしで、NoisyRolloutは視覚指向の帰納的バイアスを組み込むことでVLMの探索能力を向上させる。さらに、NoisyRolloutはノイズの強度をトレーニング中に徐々に減少させるノイズアニーリングスケジュールを採用し、初期段階ではノイズ信号の恩恵を受けつつ、後期段階ではトレーニングの安定性とスケーラビリティを確保する。たった2.1Kのトレーニングサンプルで、NoisyRolloutは推論タスクと知覚タスクの両方にわたる5つのドメイン外ベンチマークにおいて、オープンソースのRLチューニングモデルの中で最先端の性能を達成し、ドメイン内性能も同等またはそれ以上を維持する。

English

Recent advances in reinforcement learning (RL) have strengthened the reasoning capabilities of vision-language models (VLMs). However, enhancing policy exploration to more effectively scale test-time compute remains underexplored in VLMs. In addition, VLMs continue to struggle with imperfect visual perception, which in turn affects the subsequent reasoning process. To this end, we propose NoisyRollout, a simple yet effective RL approach that mixes trajectories from both clean and moderately distorted images to introduce targeted diversity in visual perception and the resulting reasoning patterns. Without additional training cost, NoisyRollout enhances the exploration capabilities of VLMs by incorporating a vision-oriented inductive bias. Furthermore, NoisyRollout employs a noise annealing schedule that gradually reduces distortion strength over training, ensuring benefit from noisy signals early while maintaining training stability and scalability in later stages. With just 2.1K training samples, NoisyRollout achieves state-of-the-art performance among open-source RL-tuned models on 5 out-of-domain benchmarks spanning both reasoning and perception tasks, while preserving comparable or even better in-domain performance.

NoisyRollout: データ拡張による視覚的推論の強化

NoisyRollout: Reinforcing Visual Reasoning with Data Augmentation

要旨

Summary

Support

Support