Readout Blindness: VLM Scores Miss the Spatial Direction Their Frozen Encoders Retain

📄 arXiv: 2610.06324v1 📥 PDF

作者: Guangyuan Li, Tianming Du, Yan Jiang, Bihan Wen, Jiancheng Yang

分类: cs.CV, cs.LG

发布日期: 2026-10-05

💡 一句话要点

提出抗对称位移读出方法以解决视觉语言模型的方向性盲点问题

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

关键词: 视觉语言模型 空间关系 抗对称位移读出 多模态系统 方向性盲点 图像特征对齐 先验通货膨胀

📋 核心要点

  1. 现有的视觉语言模型在处理物体的空间方向关系时表现不佳，得分接近随机水平，导致方向信息丢失。
  2. 论文提出的抗对称位移读出（ADR）方法通过对齐图像特征与文本描述，利用物体质心的有符号位移来评分，避免了方向信息的抵消。
  3. 实验结果显示，ADR在多个编码器上显著提升了方向性得分，尤其在方向平衡的数据集上，相较于现有方法表现更佳。

📝 摘要（中文）

CLIP类视觉语言模型在多模态系统中占据重要地位，但在处理物体的空间方向关系时，其得分接近随机水平。我们称这种现象为“读出盲点”，并通过理论和实证分析探讨其原因：当评分规则对主语和宾语对称处理时，方向信息被抵消。为了解决这一问题，我们提出了抗对称位移读出（ADR）方法，该方法通过对齐图像特征与文本描述中的词汇，利用匹配物体质心之间的有符号位移来评分。ADR在无需额外训练或学习参数的情况下成功恢复了方向信息。此外，我们引入了先验通货膨胀的概念，以评估图像-文本配对的实际效益。实验结果表明，ADR在多个编码器系列上显著提升了得分，尤其是在方向平衡的数据集上表现优异。

🔬 方法详解

问题定义：论文要解决的问题是视觉语言模型在处理空间方向关系时的得分接近随机水平，导致方向信息的丢失。这种现象被称为“读出盲点”。

核心思路：论文的核心思路是通过抗对称位移读出（ADR）方法，利用图像特征与文本描述的对齐，评分时考虑物体质心之间的有符号位移，从而恢复方向信息。

技术框架：ADR方法的整体架构包括三个主要模块：首先是图像特征提取，其次是文本特征对齐，最后是基于质心位移的评分机制。这一流程确保了方向信息的有效利用。

关键创新：ADR的关键创新在于其无需额外训练或学习参数，直接从冻结的编码器中提取方向信息。这与现有方法的对称处理方式形成了本质区别。

关键设计：在设计上，ADR通过对齐图像补丁与文本词汇，使用物体质心的有符号位移来评分。此外，引入了先验通货膨胀的概念，以评估图像-文本配对的实际效益。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ADR方法在多个编码器系列上显著提升了方向性得分，尤其在方向平衡的数据集上，得分提升幅度达到显著水平。与现有的复杂读出方法相比，ADR在计算效率上也表现出竞争力，展示了其在实际应用中的优势。

🎯 应用场景

该研究的潜在应用领域包括机器人视觉、自动驾驶、增强现实等多模态系统，能够有效提升这些系统在空间关系理解上的准确性和鲁棒性。未来，ADR方法有望推动更复杂的视觉语言任务的发展，提升人机交互的自然性和智能化水平。

📄 摘要（原文）

CLIP-like vision-language models remain a cornerstone of multimodal systems, yet their scores stay near chance on directed spatial relations, such as whether one object is left of another. We call this failure readout blindness and analyze, theoretically and empirically, why deployed scores miss the direction: when scoring rules treat the subject and object symmetrically, direction cancels regardless of encoder training. Guided by this analysis, we introduce Antisymmetric Displacement Readout (ADR), which aligns caption words with image patches in the frozen features and scores each relation by the signed displacement between matched object centroids. Notably, ADR succeeds without additional training or learned parameters, thereby demonstrating that directional information remains in the frozen encoder. However, text and world priors can inflate accuracy, so we further introduce prior deflation, which measures the benefit of the image-text pairing as the grounded gain over a null that pairs each item with an unrelated image. Extensive experiments across encoder families show that ADR substantially improves over deployed scores, which remain near chance on most direction-balanced sets even for fine-tuned encoders. Compared with more complex readouts, ADR outperforms the evaluated MLLM likelihood readouts and is competitive with their chat inference at a small fraction of the computation. These results support our claim that directional information can be recovered from frozen features by an appropriate readout. Our implementation and evaluation kit will be publicly available.