Percepção Lenta: Vamos Perceber Figuras Geométricas Passo a Passo

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

Resumo

Recentemente, "visual o1" começou a entrar no campo de visão das pessoas, com expectativas de que este design de pensamento lento possa resolver tarefas de raciocínio visual, especialmente problemas matemáticos geométricos. No entanto, a realidade é que os atuais LVLMs (Large Vision Language Models) mal conseguem copiar com precisão uma figura geométrica, quanto mais compreender verdadeiramente a lógica complexa e as relações espaciais inerentes dentro das formas geométricas. Acreditamos que a cópia precisa (percepção forte) é o primeiro passo para o visual o1. Portanto, introduzimos o conceito de "percepção lenta" (SP), que orienta o modelo a perceber gradualmente combinações básicas de pontos e linhas, assim como nós humanos, reconstruímos estruturas geométricas complexas progressivamente. Existem duas etapas em SP: a) decomposição da percepção. A percepção não é instantânea. Nesta etapa, figuras geométricas complexas são decompostas em unidades simples básicas para unificar a representação da geometria. b) fluxo de percepção, que reconhece que traçar uma linha com precisão não é uma tarefa fácil. Esta etapa visa evitar "saltos visuais longos" na regressão de segmentos de linha, utilizando uma "régua perceptual" proposta para traçar cada linha traço a traço. Surpreendentemente, tal maneira de percepção semelhante à humana desfruta de uma lei de escalonamento de tempo de inferência - quanto mais lento, melhor. Pesquisadores se esforçaram para acelerar a percepção do modelo no passado, mas agora estamos desacelerando, permitindo que o modelo leia a imagem passo a passo e 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.