DeepScan：突破 LVLM 视觉陷阱，自下而上重筑“证据级”推理

在处理复杂的视觉推理任务时，人类的直觉往往是“局部扫描 -> 确认细节 -> 关联上下文”。然而，当前顶尖的多模态大模型（LVLM）在面对一张 8K 超清大图中的微小目标时，更倾向于一种“全局速览”的俯冲式策略。这种策略在遭遇嘈杂背景或语义干扰时，极易陷入 Attention Sink/Drift 的陷阱，导致模型“睁眼说瞎话”。

日前，来自华东师范大学等机构的研究团队提出了 DeepScan。这是一个无需微调（Training-free）的即插即用框架，它不仅在 V* 等严苛的视觉基准测试中刷写了 SOTA 记录，更从认知科学的角度，为 LVLM 引入了一套高效的“分层扫描”逻辑。

1. 核心痛点：为什么 LLM 会在视觉证据面前“失明”？

现有的 visually grounded reasoning 方法（如 Dyfo 或 ZoomRefine）大多遵循“中心化”的搜索逻辑：先看全图，再逐渐放大。这种方法的局限性在于：

• 噪声敏感：在大图中，关键证据（可能只占 0.05% 的面积）会被海量的背景信息淹没。
• 定位失效：当存在多个相似物体时，Top-down 策略容易产生注意力漂移，定位到错误的代理（Proxy）上。

2. 核心机制：自下而上的“分层扫描”

DeepScan 的精髓在于其 Hierarchical Scanning 模块，它将“大海捞针”变成了“分块收网”。

Step 1: 局部线索探索 (Local Cue Exploration)

系统将图像划分为多个 Patch（如 576x576），并在各 Patch 内利用 Search Expert（如 BLIP-ITM）提取注意力图。通过 Otsu's Method 自动阈值处理，将注意力热力转化为离散的候选线索点。

Step 2: 多尺度证据提取 (Multi-scale Evidence Extraction)

利用点提示（Point Prompt）驱动 Visual Expert（如 LangSAM）进行分割。为了解决单点提示容易导致的空洞或上下文缺失问题，DeepScan 引入了 形态学后处理（膨胀与闭运算）。这种“自下而上”的恢复方式，能比传统的 Box 探测更精准地捕获不规则证据。

Step 3: 重聚焦与协作 (Refocusing)

找到了证据，但推理仍需上下文。Refocusing 模块模拟了相机的变焦过程：通过 Zoom-In（缩小范围增强属性感知）和 Zoom-Out（扩大范围增强空间关系感知）的搜索空间设计，利用 LVLM 作为“指挥官”评估哪个视角最有助于回答问题。

3. 实验战绩：低成本下的性能飞跃

在对比实验中，DeepScan 展示了极强的通用性与优越性。

• SOTA 刷榜：在 V* Benchmark 上，配合 Qwen2.5-VL-7B，DeepScan 达成了 90.6% 的准确率，甚至超越了由于 RL 训练而高度优化的 DeepEyes 11500 模型。
• 跨模型泛化：无论是 7B 的小参数模型，还是 72B 的重量级模型，DeepScan 均能在无需重训的情况下提供显著的增益。

4. 深度洞察：计算换精度 (System 2 for Vision)

DeepScan 实际上揭示了视觉推理领域的一个重要趋势——推理时计算（Inference-time Computation） 的价值。

1. SNR 放大效应：通过 Patch 化处理，系统显著提升了局部信噪比。实验证明，即使只处理 Top-10 最小面积的候选区域，也能保留 96% 以上的最优性能。
2. 工程与算法的平衡：研究者通过 Batching 优化，克服了传统 Agent 模式串行判定的低效问题。将 13s 的延迟压缩至 3s 左右，这使得“扫描-重聚焦-推理”的链路在实际场景中具备了落地可能。

5. 局限性与展望

尽管 DeepScan 表现卓越，但在处理跨度极大的多个证据时（如位于对角线的两个微小物体），目前采用的“最小外接矩形”融合方式可能会引入多余的背景噪声。

未来，如何将这些离散的证据片段进行“生成式布局提取”（Generative Composition），从而在保留属性信息的同时摒弃背景冗余，将是该领域下一个值得关注的突破口。

总结：DeepScan 成功证明了，相比于盲目追求更大的视觉编码器或更长的 Context Window，一套符合人类认知逻辑的、精密的感知算法更能让 LVLM 在视觉细节的迷雾中看清真相。