본 논문은 시각 언어 모델(VLM)의 강건성을 향상시키기 위해, 훈련이 아닌 추론 과정에서 동적으로 이미지 증강을 수행하는 VACoT(Visual Augmentation Chain-of-Thought) 프레임워크를 제안한다. VACoT는 denoising과 같은 post-hoc 변환을 통합하여, 특히 OCR 관련 적대적 시나리오에서 어려운 및 OOD(out-of-distribution) 입력에 대한 강건성을 크게 향상시킨다. VACoT는 agentic 강화 학습을 통해 훈련 복잡성과 계산 오버헤드를 줄이면서, 일반적인 시각적 증강의 구조화된 컬렉션을 통합하여 쿼리 이미지의 뷰를 넓힌다. 필요한 증강을 장려하고 불필요한 응답을 억제하는 조건부 보상 체계를 사용하여, 인식 작업에서 간결하고 효과적인 추론을 보장한다. 13개의 인식 벤치마크에 대한 광범위한 실험을 통해 VACoT의 우수성을 입증하고, adversarial 상황에서 post-hoc 시각 증강의 일반화 이점을 강조하기 위해 AdvOCR을 소개한다.
