본 논문은 최첨단 다중 모달 대형 언어 모델(MLLM)이 시각 질문 응답(VQA) 과제에서 도메인 특정 지식이나 최신 지식에 접근하는 데 어려움을 겪는 문제를 해결하기 위해, 외부 지식 기반(KB)을 활용하는 검색 증강 생성(RAG) 기반의 KB-VQA 접근 방식을 제시합니다. 기존의 단일 모달 검색 기법이 이미지 정보 손실 문제를 야기하는 점을 개선하고자, 텍스트 조각, 개체 이미지 등 다양한 형태의 다중 모달 데이터 조각으로 구성된 세분화된 지식 단위(fine-grained knowledge units)를 구조적으로 구성하고, 이를 MLLM과 통합하는 지식 단위 검색 증강 생성 프레임워크(KU-RAG)를 제안합니다. KU-RAG는 관련 지식의 정확한 검색을 보장하고, 지식 수정 체인을 통해 추론 능력을 향상시킵니다. 실험 결과, 제안된 방법은 네 가지 벤치마크에서 기존 KB-VQA 방법보다 평균 3%, 최대 11% 향상된 성능을 보였습니다.
