NoisyRollout: Усиление визуального анализа с помощью аугментации данных

NoisyRollout: Reinforcing Visual Reasoning with Data Augmentation

April 17, 2025

Авторы: Xiangyan Liu, Jinjie Ni, Zijian Wu, Chao Du, Longxu Dou, Haonan Wang, Tianyu Pang, Michael Qizhe Shieh

cs.AI

Аннотация

Последние достижения в области обучения с подкреплением (RL) укрепили способности к рассуждению в моделях, работающих с визуальными и языковыми данными (VLMs). Однако улучшение исследования политик для более эффективного масштабирования вычислительных ресурсов во время тестирования остается недостаточно изученным в VLMs. Кроме того, VLMs продолжают испытывать трудности с несовершенным визуальным восприятием, что, в свою очередь, влияет на последующий процесс рассуждений. В связи с этим мы предлагаем NoisyRollout — простой, но эффективный подход RL, который комбинирует траектории как из чистых, так и из умеренно искаженных изображений, чтобы внести целенаправленное разнообразие в визуальное восприятие и результирующие паттерны рассуждений. Без дополнительных затрат на обучение NoisyRollout улучшает исследовательские способности VLMs за счет включения индуктивного смещения, ориентированного на визуальные данные. Кроме того, NoisyRollout использует график затухания шума, который постепенно снижает силу искажений в процессе обучения, обеспечивая преимущества от шумовых сигналов на ранних этапах, сохраняя при этом стабильность и масштабируемость на поздних стадиях. Всего на 2,1 тыс. обучающих выборок NoisyRollout демонстрирует наилучшие результаты среди моделей с открытым исходным кодом, настроенных с помощью RL, на 5 тестах, выходящих за пределы домена, охватывающих как задачи рассуждений, так и восприятия, при этом сохраняя сопоставимую или даже лучшую производительность в рамках домена.

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.