CGC: Fine-Grained Multi-Image Understanding 을 위한 Compositional Grounded Contrast

다중 모드 대형 언어 모델 (MLLMs) 은 빠르게 발전해 왔지만, 여전히 세밀한 다중 이미지 이해 분야에서 공간적 환각 (spatial hallucination), 주의력 누출 (attention leakage), 객체 일관성 유지 실패와 같은 뚜렷한 과제를 직면하고 있습니다. 또한 기존 접근법은 일반적으로 비용이 많이 드는 인간 주석이나 대규모 사슬 사고 (CoT) 데이터 생성에 의존합니다. 우리는 세밀한 다중 이미지 이해 능력을 향상시키기 위한 저비용 전체 프레임워크인 Compositional Grounded Contrast(약어: CGC)를 제안합니다. CGC 는 기존 단일 이미지 기반지 주석을 바탕으로 구축되며, Inter-Image Contrast 와 Intra-Image Contrast 를 통해 상호 이미지 판별을 위한 의미론적으로 분리된 방해 요소 컨텍스트와 객체 일관성을 위한 상관관계 있는 크로스 뷰 샘플을 각각 도입하여 구성적 다중 이미지 학습 인스턴스를 구성합니다. CGC 는 Think-before-Grounding 패러다임 하에서 소스 이미지 귀속, 공간 정렬, 구조화된 출력 유효성을 개선하기 위해 GRPO 프레임워크 내에서 규칙 기반 공간 보상 (Rule-Based Spatial Reward) 을 추가로 도입합니다. 실험 결과, CGC 는 MIG-Bench 와 VLM2-Bench 를 포함한 세밀한 다중 이미지 벤치마크에서 최상위 결과를 달성했습니다. 학습된 다중 이미지 이해 능력은 더 넓은 범위의 다중 모드 이해 및 추론 작업으로도 이전되며, MathVista (+2.90), MuirBench (+2.88), MMStar (+1.93), MMMU (+1.77), BLINK (+1.69) 에서 Qwen3-VL-8B 기본 모델에 비해 일관된 향상을 보였습니다.