下面从“论文结构 → 算法核心 → 关键公式/机制 → 和现有 VLM 的关系”四个层次，把 Vary（Vision Vocabulary Augmentation） 的算法部分彻底拆解。

一、论文整体结构速览

Vary 这篇论文的逻辑其实非常“干净”，核心只有一件事：

CLIP 的视觉词汇不够 → 我们显式扩充视觉词汇表

典型结构是：

1. Introduction

   • 指出 LVLM 在细粒度视觉任务上的瓶颈
   • 定位问题为：视觉词汇不足（visual vocabulary bottleneck）

2. Related Work

   • CLIP / LVLM
   • Visual Tokenization
   • OCR / Document Understanding

3. Method（重点）

   • Visual Vocabulary Augmentation（Vary）
   • 两阶段架构（Vary-tiny / Vary-base）

4. Experiments

   • DocVQA / ChartQA / OCRBench
   • 消融实验

5. Analysis

   • 新视觉词是否真的学到“新东西”

我们现在只拆 Method（算法核心）。

二、Vary 的问题建模（非常关键）

论文中对问题的正式建模，可以总结成一句话：

现有 LVLM 使用的视觉 token 空间是“冻结且封闭的”，导致细粒度视觉概念成为 OOV（out-of-visual-vocabulary）问题。

这里的“词汇”指的不是文字，而是：

• CLIP 视觉 encoder 输出的 embedding 分布
• 这些 embedding ≈ 视觉词表

但问题是：

• CLIP 的视觉空间是为 自然图像 + 语言对齐 优化的
• 对 字符、表格、线条、排版结构 不敏感

👉 所以 Vary 的目标是：

\( \textbf{learn new visual tokens that are complementary to CLIP} \)

三、算法核心一：视觉词汇生成（Vary-tiny）

这是 Vary 最原创、最像 NLP 扩词表的部分。

3.1 关键思想

把“视觉词”当成可以被生成、被学习、被扩展的对象

在 NLP 中：

• token 是离散的
• vocab 可以 grow

Vary 说：
👉 视觉 embedding 也可以 grow

3.2 Vary-tiny：视觉词生成器

架构组成

Vary-tiny 主要包含：

1. 视觉 backbone（如 ViTDet）
2. 视觉词汇网络（Visual Vocabulary Network）
3. 轻量语言模型（如 OPT-125M）

结构直觉是：

Image
 ↓
Dense Visual Features
 ↓
Visual Vocabulary Generator
 ↓
New Visual Tokens

3.3 “生成视觉词”是什么意思？

这里非常重要，很多人第一次会误解。

不是生成文字标签，而是生成 embedding 向量：

\( \mathbf{z}_i \in \mathbb{R}^d \)

这些 \((\mathbf{z}_i)\)：

• 不在 CLIP embedding 分布中
• 专门覆盖 CLIP 弱的区域（如字符、边缘、布局）

你可以理解为：

在视觉 embedding 空间里，长出一批“新方向”

3.4 生成机制（核心算法点）

论文使用的是一种 自回归生成 + 对齐约束：

• 将视觉词当成一个“序列”
• 通过语言模型预测下一个视觉词 embedding
• 用视觉-语言任务反向约束这些 embedding 是否有用

直觉类比：

像用 GPT 生成新 subword，但 loss 来自下游理解任务

3.5 这一阶段学到了什么？

Vary-tiny 学到的是：

• 一套新的视觉原子单元

• 它们对：

  • 文本边界
  • 字符形状
  • 表格线条
  • 密集结构
    更敏感

这一步相当于：

给 VLM 扩了“视觉词表”

四、算法核心二：视觉词汇融合（Vary-base）

有了新词，还不够，关键是怎么用。

4.1 核心设计原则

论文非常明确：

不替换 CLIP，只做增量增强（augmentation）

原因很现实：

• CLIP 的通用视觉能力非常强
• 直接替换 = 灾难

4.2 双视觉词汇并行结构

在 Vary-base 中，图像会走两条路：

Image
 ├─ CLIP Visual Encoder → CLIP Tokens
 └─ Vary Visual Encoder → New Visual Tokens
            ↓
      Token Fusion
            ↓
          LLM

也就是说：

• 原始视觉词汇（通用）
• 新视觉词汇（细粒度）

并行输入 + 融合

4.3 Token 融合方式（关键但克制）

论文在这点上很“保守”，这也是它工程上稳的原因：

• 不做复杂 cross-attention 堆叠

• 不改 LLM 结构

• 只做：

  • concat
  • linear projection
  • position alignment

这样做的好处：

• 不破坏 LLM
• 易迁移
• 易复现

4.4 从 LLM 视角看发生了什么？

LLM 看到的是：

[视觉token_1 ... 视觉token_K] + [文本token]

但这些视觉 token：

• 一部分来自 CLIP（“老词”）
• 一部分来自 Vary（“新词”）

👉 本质效果是：

LLM 的“视觉词表”变大了

五、关键损失函数设计（算法灵魂）

Vary 并不是随便生成 embedding，它用任务来“约束词义”。

典型 loss 包括：

1. 视觉-语言对齐 loss
2. 下游任务生成 loss（QA / OCR）
3. 冗余抑制 / 多样性约束（防止新词塌缩）

核心思想一句话：

只有“能帮助语言模型完成任务的视觉词”，才是好词

六、为什么 Vary 有效？（从算法角度）

你可以从三个层面理解：

1️⃣ 表示能力层

CLIP 视觉空间 ≈ 自然图像 manifold
Vary 扩展了这个 manifold 的维度和覆盖范围

2️⃣ 信息瓶颈层

Q-Former / pooling 解决的是 压缩
Vary 解决的是 “原材料不够”

3️⃣ 训练信号层

Vary 的新词：

• 直接被下游任务监督
• 不靠图文弱对齐
• 更 task-oriented

七、一句“评审级”总结（你可以直接用）

Vary reframes visual tokenization in LVLMs as a vocabulary expansion problem, and introduces a generative mechanism to learn complementary visual tokens beyond CLIP’s embedding space, enabling finer-grained visual perception without sacrificing generalization.

八、完美闭环

你可以把整条技术线连起来：

• CLIP：给了“通用视觉词表”
• Q-Former：学会“挑词、压缩词”
• Vary：直接“扩词表”

一句话闭环：

当你发现 token 不够用时，不一定要压得更狠，也可以把词造得更多。

但真正重要的是：它扩的到底是哪一类“词”？

我先给你一句结论版，再逐层拆。

一句话结论

Vary 扩充的不是“新物体类别”，而是 CLIP 视觉词汇体系中缺失的、对细粒度结构与符号敏感的“低—中层视觉语义词”。

关键词只有三个：

• 不是类别
• 偏结构/符号
• CLIP 的盲区

一、先澄清一个常见误解

❌ 错误理解

Vary 是给 CLIP 加了更多 object label / concept token

✅ 正确理解

Vary 扩的是 “视觉子词（visual sub-lexemes）”

类比 NLP：

word object subword / morpheme 结构型视觉词 punctuation 视觉符号词

NLP	VLM

Vary 扩的是 后两类。

二、Vary 扩充的视觉词汇三大类型

论文和实验里，其实已经给了非常清晰的信号。我们按语义层级来分。

1️⃣ 结构型视觉词（Structural Visual Tokens）

这是 Vary 最重要的一类贡献。

典型特征

• 对几何结构高度敏感

• 不对应“物体”，而对应：

  • 边界
  • 框
  • 线
  • 对齐关系

具体包括

• 表格的 行 / 列分隔线
• 文档的 段落边界
• 图表的 坐标轴
• 框图中的 连接线

为什么 CLIP 不行？

因为 CLIP 的训练目标是：

“这张图整体像不像这句话”

而不是：

“这张图里某条线和另一条线是什么关系”

👉 所以 CLIP 会把这些结构当噪声。

Vary 则显式把它们变成“词”。

2️⃣ 符号 / 字符级视觉词（Symbolic / Glyph Tokens）

这是 Vary 在 OCR / DocVQA 上起飞的根本原因。

这些“词”长什么样？

• 单个字符的形状特征
• 数字 vs 字母 vs 标点
• 粗体 / 斜体 / 下划线
• 字符间距、对齐方式

注意：

它们不是“字母 A / B”的语义，而是“这个东西是一个字符”的视觉原子

类比 NLP

这相当于：

• NLP 里从 word-level
• 退到 char / byte-level
• 但仍然保留语义可用性

CLIP 的 patch embedding：

• 太大
• 会把多个字符糊在一起

Vary 生成的新词：

• 专门为“字符级感知”服务

3️⃣ 布局关系型视觉词（Layout / Relation Tokens）

这一类非常“隐蔽”，但在问答里作用巨大。

它们表达什么？

不是“是什么”，而是：

• 上 / 下
• 左 / 右
• 对齐 / 包含
• 相邻 / 跨列

例如：

“右侧第二列的数值是多少？”

CLIP 能看到“数值”，但不知道“第二列”。

Vary 的新词，正是用来编码这种空间关系先验的。

三、Vary 明确没有扩充什么（反而很重要）

这点反而能看清它的定位。

❌ Vary 没有重点扩：

• 新的自然物体类别（猫、狗、车）
• 高层抽象概念（危险、拥挤、美丽）
• 情感 / 风格语义

原因很简单：

这些 CLIP 已经非常强了

Vary 是“补短板”，不是“重复造轮子”。

四、从 embedding 空间看：这些新词在哪里？

从表示学习角度，你可以这样理解：

• CLIP 的 embedding manifold：

  • 覆盖自然图像语义

• Vary 扩充的词：

  • 落在 CLIP manifold 的边缘或空洞区域
  • 填补 高频但语义弱的区域

你可以想象一个图：

[ Object semantics ]
      ●   ●
   ●            ●
        (空洞)
      ◉ ◉ ◉   ← Vary 新词

这些新词：

• 不一定“漂亮”
• 但极其有用

五、为什么这些词对 LLM 特别重要？

因为 LLM：

• 擅长推理
• 不擅长感知

而这些新视觉词：

• 把“感知问题”提前解决

• 让 LLM 接收到的是：

  • 结构化 token
  • 而不是像素噪声

一句话总结：

Vary 扩的是“让语言模型能用得上的视觉词”。

六、和你前面讨论过的内容，统一视角

你可以把这几件事串成一条线：

• CLIP 视觉词汇表：通用、偏物体
• Q-Former：从现有词里挑重点
• Vary：当词不够时，直接造新词

而 Vary 造的，正是：

CLIP 不关心，但 LLM 非常需要的视觉语义单元

七、一句“论文答辩级”总结

你可以在答辩或评审里这样说：

Vary primarily augments low- and mid-level visual tokens that encode fine-grained structures, symbols, and layout relations, which are underrepresented in CLIP’s object-centric visual vocabulary but critical for document and diagram understanding tasks.