Robust-R1: ロバストな視覚理解のための劣化対応推論
Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding
December 19, 2025
著者: Jiaqi Tang, Jianmin Chen, Wei Wei, Xiaogang Xu, Runtao Liu, Xiangyu Wu, Qipeng Xie, Jiafei Wu, Lei Zhang, Qifeng Chen
cs.AI
要旨
マルチモーダル大規模言語モデル（MLLM）は、実世界の極度の視覚的劣化条件下で信頼性の高い性能を維持することが困難であり、実用的な頑健性を阻害している。既存の頑健なMLLMは主に、視覚エンコーダの一般化のみに焦点を当てた暗黙的な訓練/適応に依存しており、解釈性の限界と個別最適化の問題を抱えている。これらの限界を克服するため、我々は構造化された推論連鎖を通じて視覚的劣化を明示的にモデル化する新規フレームワーク「Robust-R1」を提案する。本アプローチは以下を統合する：(i) 劣化を意識した推論基盤のための教師ありファインチューニング、(ii) 劣化パラメータを正確に知覚するための報酬駆動型アライメント、(iii) 劣化強度に適応する動的推論深度スケーリング。このアプローチを可能にするため、4つの重要な実世界視覚処理段階で合成された現実的な劣化を特徴とする専門的な11Kデータセットを構築した。各データには、劣化パラメータ、知覚的影響、原像の意味的推論連鎖、結論を結ぶ構造化された連鎖が注釈されている。包括的評価により、Robust-R1が最高水準の頑健性を実証した：実世界劣化ベンチマークR-Benchにおいて、一般的および頑健な全てのベースラインを凌駕し、MMMB、MMStar、RealWorldQAにおける多強度敵対的劣化下でも優れた耐劣化性能を維持した。
English
Multimodal Large Language Models struggle to maintain reliable performance under extreme real-world visual degradations, which impede their practical robustness. Existing robust MLLMs predominantly rely on implicit training/adaptation that focuses solely on visual encoder generalization, suffering from limited interpretability and isolated optimization. To overcome these limitations, we propose Robust-R1, a novel framework that explicitly models visual degradations through structured reasoning chains. Our approach integrates: (i) supervised fine-tuning for degradation-aware reasoning foundations, (ii) reward-driven alignment for accurately perceiving degradation parameters, and (iii) dynamic reasoning depth scaling adapted to degradation intensity. To facilitate this approach, we introduce a specialized 11K dataset featuring realistic degradations synthesized across four critical real-world visual processing stages, each annotated with structured chains connecting degradation parameters, perceptual influence, pristine semantic reasoning chain, and conclusion. Comprehensive evaluations demonstrate state-of-the-art robustness: Robust-R1 outperforms all general and robust baselines on the real-world degradation benchmark R-Bench, while maintaining superior anti-degradation performance under multi-intensity adversarial degradations on MMMB, MMStar, and RealWorldQA.