摘要
细粒度技能活动分析不仅需要识别视觉模式，还需执行导致最终判断的逐步视觉推理。针对现有模型缺乏显式揭示推理过程的局限性，本文提出潜在视觉扩散推理（LVDR）框架。该框架整合关键点引导的蒙特卡洛树搜索，以建模并可视化潜在的视觉推理过程。实验表明，LVDR 在提升评估准确性的同时，能 uncover 关键视觉推理序列，提供可解释的推理轨迹。
AI 推荐理由
论文核心提出基于 MCTS 的视觉推理框架，旨在显式建模和可视化逐步推理过程。
研究机构
北京交通大学
Virginia Commonwealth University
论文信息