본 논문은 Vision-Language Model (VLM)의 시각적 추론 능력 저하의 주요 원인이 시각적 특징과 그 대상 간의 연결(binding problem) 실패에 있다는 점을 지적합니다. 기존 VLM은 시각적 특징을 주로 병렬적으로 처리하여 공간적으로 기반을 둔 순차적 주의 메커니즘이 부족합니다. 이를 해결하기 위해, 본 논문은 시각 입력에 저수준 공간 구조(예: 수평선)를 추가하고, 공간 인식 순차적 파싱을 유도하는 텍스트 프롬프트를 함께 사용하는 간단하지만 효과적인 방법을 제시합니다. 실험 결과, 시각 검색 정확도 25%, 계산 정확도 26.83%, 장면 설명의 편집 거리 오류 0.32 감소, 공간 관계 과제 성능 9.5% 향상 등 다양한 시각적 추론 과제에서 상당한 성능 향상을 보였습니다. 순전히 언어 기반 접근 방식(예: Chain-of-Thought 프롬프팅)은 효과가 없거나 오히려 성능을 저하시키는 반면, 시각적 수정이 필수적임을 확인했습니다. 단일 쿼리 추론만으로 바인딩 문제를 개선하는 결과는 시각 입력 설계의 중요성을 강조합니다. 저수준 시각 구조화는 구성적인 시각적 추론 향상을 위한 강력하고 아직 충분히 탐구되지 않은 방향이며, 공간 기반 과제에서 VLM 성능 향상을 위한 일반적인 전략으로 활용될 수 있음을 시사합니다.
