摘要
针对当前视觉 AI 助手在处理涉及过滤、比较和聚合等显式集合推理查询时的不足，本文提出将视觉推理视为视觉程序合成。该方法首先生成符号程序，再由 grounded 于视觉场景的独立引擎执行。此外，文章引入了专为评估集合视觉推理设计的新基准 Set-VQA。实验表明，该方法在复杂推理任务上显著优于现有最先进基线，不仅提高了答案准确性，还产生了更系统、透明的行为，证明了程序驱动推理是黑盒视觉语言推断的原则性替代方案。
AI 推荐理由
论文核心提出基于程序合成的视觉推理机制，解决集合逻辑推理难题。
研究机构
牛津大学计算机科学系
香港科技大学计算机科学与工程系
维也纳技术大学逻辑与计算研究所
论文信息