arXiv cs.AI· Zhengtao Zou, Pekka Marttinen·· 3 天前AI 评分31
视觉语言模型为何看得见深度却选错线索
Seeing Depth but Choosing Cues in Vision-Language Models
AI 导读
视觉语言模型在深度判断中会系统性地偏向图像平面线索，而非真实深度信息。研究通过深度与线索冲突实验发现，即便模型答错，正确深度顺序仍可从目标物体的视觉表征中解码出来。通过物体级写回强化模型自身的深度读出，可在不更新参数、不使用真值深度标注的情况下纠正冲突判断，但效果因架构和领域而异。
正文 · AI 翻译
摘要：视觉语言模型是使用深度信息来判断哪个物体更近，还是依赖图像平面线索？我们通过受控的深度线索冲突、表征分析和干预来研究这个问题。在与深度感知相关的众多图像平面线索中，我们关注表观大小和垂直位置。我们在渲染场景和真实世界照片中比较了线索一致和线索冲突条件下的深度判断。在模型系列和规模上，深度判断系统性地偏向误导性线索。然而，正确的深度顺序仍然可以从所查询物体的视觉表征中解码出来，包括模型回答错误时。图像和类别控制支持将该信号解释为超出这两个目标线索的、依赖于图像的深度信息。通过物体级写回增强模型自身的深度读出，可以在不更新模型参数或使用真实深度标注的情况下纠正冲突决策。干预表明，这种纠正的效果取决于写入信号的方向和目标 token，而其强度因架构和领域而异。总之，这些发现揭示了模型在表征深度与在决定答案时使用该信息之间的不匹配。VLM 可以保留有用的深度信息，同时允许竞争性的图像平面线索对其答案施加更大影响。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17976 [cs.AI] |
| （或 arXiv:2610.17976v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17976 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Zhengtao Zou [查看邮箱]
[v1]
2026年10月13日星期二 08:49:04 UTC（7,081 KB）
来源：arXiv cs.AI · arxiv.org