본 논문은 시각적 기초 모델(예: DINO 시리즈)에서 강화 학습을 활용하여 맥락 내 추론 능력을 향상시키는 최초의 시도인 DINO-R1을 제안합니다. 기존의 언어 모델에서 성공적으로 사용된 GRPO(Group Relative Policy Optimization)를 시각 모델에 적용한 GRQO(Group Relative Query Optimization)라는 새로운 강화 학습 기반 훈련 전략을 도입하여 쿼리 기반 표현 모델에 맞춰 설계하였습니다. KL-정규화를 추가하여 객체성 분포를 안정화하고 과적합 및 분포 이동을 완화합니다. Grounding-DINO를 기반으로 시각 프롬프트 인코더와 시각 안내 쿼리 선택 메커니즘을 통합한 DINO-R1 모델 시리즈를 훈련시켰으며, COCO, LVIS, ODinW 데이터셋에서의 실험 결과, DINO-R1은 지도 학습 기반 미세 조정 기준 모델보다 성능이 훨씬 뛰어나며, 개방형 어휘 및 폐쇄형 집합 시각 프롬프팅 시나리오 모두에서 강력한 일반화 성능을 보입니다.
