UltraVR: A Diagnostic Ultra-Resolution Image-VQA Benchmark for Evidence-Grounded Reasoning

📄 arXiv: 2606.05576v1 📥 PDF

作者: Gexin Huang, Yanting Yang, Myeongkyun Kang, Beidi Zhao, Jun Zhou, Chen Zhou, Gang Wang, Zu-hua Gao, Xiaoxiao Li

分类: cs.CV

发布日期: 2026-06-04

备注: 10 pages, 1 figure

💡 一句话要点

提出UltraVR以解决超分辨率图像推理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 超分辨率图像 视觉问答 证据基础推理 多模态推理 结构化思维链

📋 核心要点

  1. 现有视觉语言模型在超分辨率图像推理中的能力尚不明确，且评估方法主要集中于最终答案的准确性，缺乏对推理过程的深入分析。
  2. 本文提出UltraVR基准，通过结构化的真实思维链和逐步问题设计，帮助研究者更好地理解模型在超分辨率图像推理中的表现和不足。
  3. 实验结果表明，当前模型在证据基础的推理中存在显著缺陷，尤其是在证据获取和局部感知方面，尽管下游推理在提供中间视觉事实后有所恢复。

📝 摘要（中文）

视觉语言模型（VLMs）在视觉问答和多模态推理基准上表现优异，但其在超分辨率图像上的能力仍不明确。现有评估主要报告最终答案的准确性，缺乏对模型获取和整合必要视觉证据的深入洞察。本文提出UltraVR，一个针对超分辨率图像的证据基础视觉推理的诊断基准，涵盖监控、遥感、全切片图像病理和工业异常检测等四个高价值场景。每个实例不仅包含标准问答三元组，还包括结构化的真实思维链，允许对推理过程进行逐步诊断。使用UltraVR评估前沿VLMs，结果显示当前模型在超分辨率推理上仍远未可靠。

🔬 方法详解

问题定义：本文旨在解决视觉语言模型在超分辨率图像推理中的不足，尤其是在获取和整合细微证据方面的挑战。现有方法往往只关注最终答案的准确性，缺乏对推理过程的深入分析。

核心思路：UltraVR基准通过引入结构化的真实思维链，允许研究者逐步分析模型的推理过程，识别出模型在证据获取、局部感知和推理推导中的具体问题。

技术框架：UltraVR的整体架构包括四个主要场景，每个场景设计了特定的任务和问题，涵盖从证据基础的推理到决策推导的各个阶段。每个实例都包含标准问答三元组和结构化的思维链。

关键创新：UltraVR的最大创新在于其结构化的推理链设计，允许对推理过程进行细致的诊断，这与现有方法的单一准确性评估形成鲜明对比。

关键设计：在设计中，UltraVR采用了多层次的问题设置，结合了证据基础的推理标签，确保每个推理步骤都能被清晰地分析和评估。

📊 实验亮点

实验结果显示，当前的视觉语言模型在超分辨率推理任务中表现不佳，尤其是在证据获取和局部感知方面，错误集中在这些环节。然而，当提供中间视觉事实时，模型的下游推理能力有所恢复，表明改进的潜力。

🎯 应用场景

UltraVR的研究成果可广泛应用于监控、遥感、医学影像分析和工业检测等领域，帮助提升视觉语言模型在复杂场景下的推理能力。通过提供更深入的推理过程分析，UltraVR有助于推动相关技术的进步和应用落地。

📄 摘要（原文）

Vision-language models (VLMs) excel on visual question answering and multimodal reasoning benchmarks. Yet their capability on ultra-resolution images - where critical evidence is tiny, subtle, spatially distant, or distributed - remains unclear. Existing evaluations largely report final-answer accuracy, offering limited insight into whether models acquire and integrate the necessary visual evidence. We introduce UltraVR, a diagnostic benchmark for evidence-grounded visual reasoning over ultra-resolution images. UltraVR spans four high-value scenarios: CCTV surveillance, remote sensing (RS), whole-slide image (WSI) pathology, and industrial anomaly detection (AD). These domains pose complementary challenges: fine-grained object grounding in crowded CCTV scenes, long-range spatial comparison in RS, multi-scale evidence navigation in WSI, and subtle irregularity detection in repetitive industrial layouts. Beyond standard QA triples, each instance includes a structured ground-truth chain of thought with step-level questions, intermediate answers, and reasoning labels. These labels decompose reasoning into evidence grounding, local perception, quantification, evidence integration, and decision inference, enabling process-level diagnosis over black-box scoring. Using UltraVR, we evaluate frontier VLMs and show that current models remain far from reliable on ultra-resolution reasoning. Importantly, the structured annotations allow us to localize failures across the visual-to-decision pipeline: errors concentrate in evidence grounding and local perception, while downstream inference often recovers when intermediate visual facts are supplied. These findings demonstrate UltraVR as a diagnostic testbed for measuring not only whether VLMs answer correctly, but where their ultra-resolution reasoning process breaks.