Dive into the Scene: Breaking the Perceptual Bottleneck in Vision-Language Decision Making via Focus Plan Generation¶

会议: ICML 2026
arXiv: 2606.04046
代码: https://future-item.github.io/SceneDiver (有)
领域: 具身智能 / 机器人 / 多模态VLM
关键词: VLM、VLA、视觉焦点规划、场景图、物体幻觉

一句话总结¶

SceneDiver 通过"先建场景图做粗粒度子场景分解、再让 VLM 以智能体方式逐子场景验证"的两阶段焦点规划，把任务相关物体过滤出来再喂回 VLM 做决策，并用 Slot Attention 适配器把这套显式推理蒸馏进 VLA，从而同时缓解高层规划与反应式控制中的视觉幻觉。

研究背景与动机¶

领域现状：具身决策任务通常拆成两条链路——以 VLM 作高层任务规划器、以 VLA 作端到端反应式控制器。前者擅长长程拆解但实时性差，后者实时性好但缺乏深思熟虑的推理。

现有痛点：两条链路共享同一个"感知瓶颈"——在杂乱场景里 VLM/VLA 既会幻视出不存在的物体，也会漏检、错绑属性或数错同类实例数量。Figure 1 给出两个典型失败：问"几个绿色物体"时注意力跑到背景；问"机械臂抓到的物体颜色"时注意力被旁边黄色块吸走。

核心矛盾：直觉上"一步聚焦"（用 SoM、Multi-Res、VCD 这类既有视觉聚焦法直接圈出关键物体）应当能解，但实测无效——在复杂场景里要可靠聚焦本身就需要先理解整个场景的拓扑关系，单步定位无法把任务相关物体从背景同色干扰物里剥出来。

本文目标：(1) 让 VLM 在做决策前自主生成"焦点计划"，把视觉输入压成只剩任务相关区域；(2) 把这种慢思考能力蒸馏进 VLA，让反应式策略也能受益且保持在线推理效率。

切入角度：作者把"聚焦"看成一个可被 VLM 自己规划的多步过程，借助场景图作为结构化先验来引导从粗到细的子场景分解；并把决策直接建模成"图像调制"——保留关键区域的高频与亮度、柔化背景，而不是硬裁切丢信息。

核心 idea：用 coarse-to-fine 的焦点规划替代一步聚焦，并把规划结果以"像素级 focus map + 软调制"的方式还回给 VLM/VLA，把"看清楚再决策"嵌进感知-行动闭环。

方法详解¶

SceneDiver 由三个串联组件构成：粗粒度场景图推理 → 细粒度子场景验证 → 焦点调制图像生成；外加一个把上述显式过程压缩成端到端模块的 VLA 适配器。

整体框架¶

输入是一帧 RGB 图与任务指令。先用 OvSGTR 抽出包含物体节点 <ref>、空间关系 <pred> 和包围盒 <box> 的场景图，文本化后塞给 VLM。VLM 据此做图推理，把整张图拆成若干候选子场景；随后 VLM 以智能体方式逐子场景"放大检查"，决定确认、丢弃或局部搜索，最终得到验证物体集 \(\mathcal{C}\)。再把 \(\mathcal{C}\) 栅格化成像素级 Focus Score Map \(s\)，对图像做"亮度衰减+高斯模糊"的软调制，得到 \(I_{out}\) 再喂回 VLM 出动作。VLA 部署时则跳过显式两阶段，由蒸馏出来的适配器直接预测 mask。

关键设计¶

粗-细两阶段焦点规划:
- 功能：把"哪里值得看"分解成"先用图推理选子场景，再在子场景里逐个核实物体"两步走，避免一步聚焦在复杂场景里盲猜。
- 核心思路：粗阶段以场景图为推理脚手架，VLM 输出结构化中间态——用 <ref> 标节点、<box> 标坐标，把全局场景切成若干局部子场景；细阶段对每个子场景做受限视野的"语义放大"，候选物体落在窗口内则直接确认，证据模糊就再缩小视野，缺失就在邻域做局部搜索。VLM 始终被视为"事实唯一来源"，场景图只是导览，遇到图-像不一致时 VLM 可以挑空间相邻节点、丢弃或保留模糊候选。
- 设计动机：作者发现单步聚焦在多干扰物场景下经常错位，所以用场景图先做"全局分区"，再用智能体式探索做"局部确认"，让"识别 → 理解 → 分析"形成可迭代的认知循环。
Focus Score Map 与软图像调制:
- 功能：把验证后的候选框集合 \(\mathcal{C}\) 翻译成一张可微的二值-→-连续注意力图，再用它对原图做柔化而不是硬裁切。
- 核心思路：先生成像素级得分 \(s_{u,v}=\mathbb{I}[\exists k\in\mathcal{C}:(u,v)\in b_k]\)；引入可视下限 \(\beta\) 防止背景全黑，先做亮度衰减得到 \(I_{dim}=I\odot(\beta+(1-\beta)s)\)；再用 Gaussian blur \(\mathcal{B}_\sigma\) 处理 \(I_{dim}\) 并按得分插值合成 \(I_{out}=s\odot I_{dim}+(1-s)\odot\mathcal{B}_\sigma(I_{dim})\)。这样目标区域保留高亮度与高频细节，背景被同时调暗与模糊。
- 设计动机：相比 SoM/裁切类方法直接抹掉背景，软调制保留了机器人定位、避障所需的环境上下文，只是"压制干扰"而非"丢弃信息"，对失败回滚更友好。
SceneDiver Adapter（VLA 蒸馏）:
- 功能：把显式两阶段推理压成一个轻量、端到端可跑的模块，让 OpenVLA 这类反应式策略在线推理时也能享受到"焦点规划"的收益。
- 核心思路：把适配器接在跨模态投影器之后；用 Slot Attention 把视觉特征 \(F\in\mathbb{R}^{L\times D}\) 投到 \(K\) 个对象槽 \(S\in\mathbb{R}^{K\times D_s}\)，并用任务 token 池化出 \(v_{task}\) 来条件化槽的初始化 \(S_{init}\sim\mathcal{N}(\mu(v_{task})+\delta,\sigma_{global})\)，避免随机初始化把槽分给无关纹理。Mask 预测模块走粗-细两级：粗级用槽语义+槽质量+任务上下文打分 \(r_k\)，细级再用注意力图 \(A\in\mathbb{R}^{K\times L}\) 把槽语义反向传给 patch，得 \(M_{pred}=\sigma(\sum_k r_k\cdot A_{k,:}+\alpha\cdot\Delta_{patch})\)，\(\alpha\) 初始化接近 0 让网络先靠槽级预测、再渐进引入空间修正。训练用 Hungarian 匹配把槽对齐到场景图物体，监督有槽级 Structure Loss 与像素级 Mask Loss 双重目标。
- 设计动机：迭代图遍历对 VLA 太重；用 Slot Attention 学结构化表示恰好对应"图节点"，用 mask 预测对应"两阶段推理结果"，这样训练时学到的就是"如何输出 focus map"而不是"如何模仿轨迹"。

损失函数 / 训练策略¶

适配器训练采用两组监督：Structure Loss 让槽匹配到场景图节点，Mask Loss 让预测 mask 接近粗-细两阶段产生的 GT focus map。部署时加一个基于熵的动态门控：当 patch 不确定性超阈值就跳过 mask、直接把原始观测送入 VLA，做到"困难场景优雅降级"，避免错误 mask 反过来污染策略。

实验关键数据¶

主实验¶

机器人操作（MuJoCo 30 个场景，5 种子，30 步内组装 base plate 上的目标 brick）：

模型	Base SR (%)	+ SceneDiver Focus (%)	绝对提升
Qwen2.5-VL-7B-AWQ	14.7	28.7	+14.0
Qwen2.5-VL-32B-AWQ	21.3	31.3	+10.0
gpt-4o-mini	28.7	34.0	+5.3
gemini-2.5-flash	38.7	46.7	+8.0

房间导航（Base / CS 常识 / CI 复杂指令 / VA 视觉外观四档干扰，5 种子）：

方法 (Qwen2.5-VL-7B)	Base	CS	CI	VA
Base Model	32.7	30.7	32.0	27.3
SoM	30.0	31.3	31.3	29.3
Multi-Res	29.3	32.7	34.0	29.3
VCD	34.7	32.0	32.7	33.3
SceneDiver	44.0	36.0	37.3	35.3

在 LIBERO-Plus（OpenVLA-OFT 基座）上 SceneDiver adapter 把鲁棒性成功率最多拉高 9.6%，额外推理开销仅 2.64%。

消融实验¶

配置	关键现象	说明
完整 SceneDiver	14.7→28.7 (7B)	粗+细+调制三件套
只用 coarse 阶段	提升受限	子场景无验证，错节点会污染决策
只用 fine 阶段（无场景图）	接近一步聚焦	缺全局拓扑，无法系统拆分干扰物
注入噪声场景图（压力测试）	仍优于 base	因为 VLM 被允许丢弃/替换图中节点
关掉 adapter 的熵门控	模糊场景下出错	错误 mask 反向污染 VLA

关键发现¶

收益主要来自"先做拓扑分区再局部验证"——这与 Sec. 4 的失败分析一致：单纯 SoM/Multi-Res/VCD 在带干扰物场景里基本零增益甚至倒退（Qwen2.5-VL-7B 的 Base 32.7 → SoM 30.0），而 SceneDiver 把 Base 拉到 44.0。
开源模型受益最大：Qwen2.5-VL-7B 操作任务 SR 几乎翻倍，因为这类模型本身视觉幻觉最严重；闭源大模型增量较小（gpt-4o-mini 仅 +5.3）但仍正向。
软调制比硬裁切重要：保留亮度下限 \(\beta\) 防止机器人丢失环境定位线索，是导航任务比操作任务对调制参数更敏感的原因。
适配器把开销控制在 2.64%，但只能在 mask 置信高时启用，否则要走熵门控回落，否则反而拖垮 VLA。

亮点与洞察¶

"VLM 是事实唯一来源、场景图只是导览"这条设计哲学很关键：它把场景图当成"可被驳回的提议"而不是"必须服从的真值"，避免了 OvSGTR 误差直接传播到下游决策。
软调制 \(I_{out}=s\odot I_{dim}+(1-s)\odot\mathcal{B}_\sigma(I_{dim})\) 把"注意力先验"以可微像素操作而非裁切实现，可以无缝替换到任何 VLM 的输入端，迁移成本低。
Slot Attention + 任务条件初始化的写法把"对象槽 ↔ 场景图节点"的对应关系学得更稳，可以借鉴到任何需要把视觉 token 压缩成可解释对象表征的下游任务。
熵门控让蒸馏后的 VLA 有"知道自己不知道"的能力，避免错误 mask 把端到端策略带跑偏——很值得迁移到所有靠辅助预测器的 VLA 框架。

局限与展望¶

强依赖外部场景图模型 OvSGTR 的检测质量，作者虽做了噪声场景图鲁棒性测试，但在完全没有训练过的物体类别（开放词汇极端 case）下仍可能整段坍塌。
两阶段焦点规划在 VLM 端的推理代价并不便宜，论文也是因为这一点才不得不蒸馏出 adapter；如果是闭源 API 的 VLM，每步多轮 prompt 的成本会很显眼。
适配器目前只在 OpenVLA-OFT 验证，对不同范式（如 diffusion policy、π0）能否同样有效未知。
软调制对参数 \(\beta,\sigma\) 比较敏感，论文是经验设定的全局值，能否在线根据场景自适应是一个明显延伸方向。

评分¶

新颖性: ⭐⭐⭐⭐ 把场景图作为可驳回先验、用软调制替代硬裁切、再用 Slot Attention 蒸馏到 VLA 这套组合在具身决策中并不常见。
实验充分度: ⭐⭐⭐⭐ 覆盖操作、导航、LIBERO-Plus 鲁棒性三类任务，开闭源模型并验，并做了噪声场景图压力测试。
写作质量: ⭐⭐⭐⭐ 故事线清晰，公式记号统一；个别失败案例展示偏少。
价值: ⭐⭐⭐⭐ 给"VLM-as-planner、VLA-as-executor"范式提供了可即插即用的感知前处理工具，对开源小模型增益尤其明显。