摘要

本文研究的是基于知识的视觉问答（Knowledge-Based Visual Question Answering, KB-VQA）问题。近期的研究强调，为了有效回答需要外部知识支撑的问题，必须同时整合显式知识（通过外部数据库获取）与隐式知识（通过大语言模型，LLM）两种信息源。然而，这类方法普遍存在一个共同局限：其系统架构通常较为复杂，且严重依赖于调用GPT-3的API接口。本文的主要贡献在于提出了一种更为简洁、易于复现的全新流程。该方法的核心思想是：通过使用富含问题相关信息的图像描述（question-informative captions）作为上下文信息，高效地引导LLaMA（1和2版本）进行上下文学习（in-context learning）。与现有方法不同，我们的方法无需训练，不依赖外部数据库或API接口，却在OK-VQA和A-OK-VQA两个基准数据集上取得了当前最优的准确率。最后，我们进行了多项消融实验，深入分析了方法中各项关键设计的作用。相关代码已公开，地址为：https://github.com/alexandrosXe/ASimple-Baseline-For-Knowledge-Based-VQA。