[CV] Explain Before You Answer: A Survey on Compositional Visual Reasoning
视觉推理正经历范式转变，组合式视觉推理（CVR）成为突破口，旨在模拟人类分解视觉场景、多步逻辑推理的能力，克服单体模型的局限。
• 认知契合：CVR模仿人类将复杂视觉任务拆解为可解释的子步骤，实现符号化操作与关系推理，支持快速概念形成与高效学习。
• 语义与关系理解：通过显式构建场景图和符号推理，捕捉空间、属性及对象间关系，提升抽象场景理解和跨模态语义桥接能力。
• 泛化与稳健性：CVR具备系统化泛化能力，能组合熟悉元素应对新颖任务，减少对数据偏见依赖，增强跨域适应力。
• 透明与模块复用：生成中间推理结果（如边界框、场景图），提高可解释性，模块化设计支持任务间组件共享和快速迭代。
• 降低偏见与幻觉：通过视觉证据的逐步落地抑制语言偏见和幻觉，提升推理的事实性与稳健性。
• 数据与效率优势：模块化复用减少数据需求，支持少样本学习及高效推理，降低训练和部署成本。
CVR经历五大阶段演进：
1. 语言中心提示增强：LLM分解任务，VLM辅助感知，推理在语言空间完成，灵活但视觉依赖有限。
2. 工具增强LLM：LLM调用外部视觉工具实现多轮推理，提升灵活性但受限于文本描述的准确性。
3. 工具增强VLM：VLM直接感知视觉输入，结合工具实现动态视觉操作与反馈，强化视觉推理能力。
4. 思维链推理VLM：端到端集成感知与推理，显式生成多步推理过程，中间步骤可视化，提升解释力。
5. 统一智能体VLM：模型具备自主规划、视觉探索与想象能力，迭代推理应对复杂场景，实现更接近人类的视觉理解。
评测体系涵盖从常规视觉问答、关系场景图推理、合成诊断测试到知识推理、文本文档理解及细粒度高分辨率感知，多维度考察模型推理准确性、可解释性及效率。
未来挑战包括LLM推理局限、幻觉风险、演绎推理偏向、数据稀缺与扩展性、工具整合瓶颈及基准测试不足。前沿方向聚焦内建世界模型、多样化推理策略、端到端监督、动态工具协同及更精细化评测。
这份涵盖260+顶会论文的综述，系统梳理了CVR的定义、优势、发展阶段、评测机制与瓶颈，绘制了未来研究蓝图，为打造可解释、高效且人类对齐的视觉智能奠定基础。
详情参见🔗arxiv.org/abs/2508.17298
视觉推理组合式推理多模态AI大模型人工智能
