본 논문은 비전-언어 모델(VLMs)의 시각적 추론 능력 저하 원인을 시각적 특징과 그 대상 간의 연결 문제(binding problem)로 규정하고, 이를 해결하기 위한 새로운 방법을 제시합니다. 기존 VLMs는 시각적 특징을 대부분 병렬적으로 처리하여 공간적으로 기반한 순차적 주의 메커니즘이 부족한데, 본 논문에서는 시각 입력에 저수준 공간 구조(예: 수평선)를 추가하고, 순차적이고 공간 인식적인 파싱을 유도하는 텍스트 프롬프트를 함께 사용하는 간단하지만 효과적인 방법을 제안합니다. 실험 결과, 시각 검색 정확도 25.00%, 계산 정확도 26.83%, 장면 묘사의 편집 거리 오류 0.32 감소, 공간 관계 작업 성능 9.50% 향상 등 주요 시각 추론 작업에서 상당한 성능 향상을 보였습니다. 순수하게 언어 기반 접근 방식(예: Chain-of-Thought prompting)은 효과가 없거나 오히려 성능을 저하시키는 반면, 시각적 수정이 성능 향상에 필수적임을 확인했습니다. 단일 쿼리 추론만으로 바인딩 문제를 개선하여 시각 입력 설계의 중요성을 강조합니다. 저수준 시각 구조화는 구성적인 시각적 추론을 향상시키는 강력하고 아직 충분히 탐구되지 않은 방향이며, 공간적으로 기반한 작업에서 VLM 성능을 향상시키는 일반적인 전략으로 활용될 수 있음을 시사합니다.
