论文聚焦｜ACM MM' 26｜让模型“看你所看”——GazePruning重塑VR场景中的视觉Token剪枝

ACM International Conference on Multimedia（ACM MM） 是多媒体领域的重要国际学术会议，研究内容涵盖多媒体分析、理解、生成、人机交互以及多模态智能等方向，也是中国计算机学会推荐的A 类国际学术会议。ACM MM 2026 计划于 2026 年 11 月 10 日至 14 日在巴西里约热内卢举行。

然而，LVLM 的计算成本会随着视频长度和视觉分辨率快速增长。以 Qwen2-VL 为例，一段仅包含 10 帧、分辨率为 480×480 的短视频，就会产生超过 4000 个视觉 Token。视觉 Token 数量远高于文本 Token，并逐渐成为模型推理过程中的主要计算负担。对于要求低延迟和高吞吐的 VR 系统而言，如何在尽可能保留有效视觉信息的同时减少冗余 Token，成为 LVLM 实时部署中的关键问题。

现有视觉 Token 剪枝方法大体可以分为两类：显著性引导剪枝和问题引导剪枝。显著性引导方法根据视觉编码器内部的注意力或全局语义表示，识别画面中信息量较高的视觉 Token。例如，一些方法利用 [CLS] Token 与图像 Patch Token 之间的注意力关系筛选重要区域。这类方法无需依赖用户查询，但其判断标准来自模型本身的视觉显著性。问题引导方法则利用文本问题与视觉 Token 之间的跨模态注意力，只保留与当前查询语义相关的视觉信息。这类方法能够实现任务相关的 Token 选择，但高度依赖明确且完整的文本问题。

这两类方法在传统图像理解任务中具有较好的效果，但在 VR 场景中仍存在明显局限。首先，视觉显著性并不等同于用户关注。用户正在注视的目标可能并不显眼，却可能是当前交互过程中最关键的对象。如果仅依赖模型自身的视觉注意力，这些 Token 可能在剪枝过程中被直接删除。其次，自然 VR 交互并不总是伴随明确文本查询。用户输入可能十分简短，也可能根本没有显式问题，此时很难通过文本有效判断哪些视觉信息更加重要。

相比之下，现代 VR 设备通常能够通过内置眼动传感器实时获得用户的注视位置。眼动信息天然反映了用户当前正在观察的区域，因此可以作为一种更加直接的用户侧先验来指导模型分配计算资源。但直接使用眼动信息同样并不简单。一方面，注视点与真实注意力并不总是一致。用户可能存在偶然扫视、视觉搜索或注意游离，仅根据单个注视位置保留视觉内容可能导致重要场景信息丢失。另一方面，眼动信号存在明显的时间冗余。当用户持续注视同一物体时，相邻视频帧中注视区域的视觉语义通常高度相似，如果模型逐帧完整计算，会产生大量重复开销。

图1: GazePruning两阶段剪枝流程图

针对上述问题，本文提出 GazePruning，即 Gaze-Guided Token Pruning。GazePruning 的核心思想是：视觉 Token 的重要性不应只由图像本身或文本问题决定，还应考虑用户此刻真正注视的内容。同时，眼动信号本身存在噪声，因此模型也不能简单地“只保留注视区域”。基于这一思路，GazePruning 从帧内空间冗余和帧间时间冗余两个层面进行视觉 Token 压缩，整体包含两个核心模块：

第一，多粒度帧内剪枝（Multi-Granularity Intra-Frame Pruning）。同时保留注视相关 Token、全局语义 Token 和代表性辅助 Token，在突出用户关注内容的同时维持整体场景理解能力。

第二，注视引导的帧间合并（Gaze-Guided Inter-Frame Merging）。根据连续视频帧中注视目标的语义一致性识别重复内容，并将高度相似帧中的视觉信息进行聚合，减少时间维度上的重复计算。

图2：同一物体视觉token具有语义相似性

图3: 全局信息token具有稀疏性

对于视频中的第 (t) 帧，系统首先将用户的二维注视坐标映射到对应的视觉 Token，得到 gaze-anchored token。随后，模型计算这一 Token 与当前帧所有其他视觉 Token 之间的余弦相似度，并保留相似度最高的一组 Token。与直接裁剪注视点周围的固定区域不同，这种方法基于的是语义相似性。例如，当用户注视一个物体的局部区域时，与注视位置属于同一物体的其他 Token 往往也具有较高的特征相似度。通过这种方式，模型可以从一个注视位置进一步恢复用户真正关注的完整语义对象。

仅保留注视区域仍然存在明显风险。用户虽然正在注视某个局部对象，但很多视觉推理任务仍然依赖周围环境以及整体空间关系。因此，GazePruning 进一步保留能够表示完整场景语义的一部分 Token。对于具有 [CLS] Token 的视觉编码器，模型直接使用 [CLS] 作为全局语义锚点；对于 Qwen2-VL 等没有显式 [CLS] Token 的架构，则计算所有视觉 Token 的平均特征作为全局表示。随后，模型同样根据语义相似度筛选一部分具有较强全局代表性的 Token。这样，模型既能够重点处理用户正在看的目标，又不会完全丢失周围环境信息。

在注视 Token 和全局 Token 之外，仍可能存在一部分既不属于主要注视对象、也不是全局中心，但对后续推理具有补充价值的视觉信息。因此，GazePruning 进一步采用 Farthest Point Sampling（FPS） 在特征空间中选择少量代表性辅助 Token。FPS 会优先选择与现有 Token 差异较大的视觉表征，使最终保留下来的特征覆盖更加多样的语义区域。最终，GazePruning 在每一帧中同时保留：注视相关信息、全局场景信息和具有代表性的补充信息。

三种 Token 共同形成多粒度的视觉表示，在降低 Token 数量的同时降低错误剪除重要信息的风险。

图4: 不同帧的同一物体的视觉token在浅层具有较高的相似性

仅进行帧内剪枝仍然无法解决视频中的时间冗余。在 VR 场景中，用户经常会持续注视同一个对象。例如，在观察桌上的物体、跟踪移动目标或完成某项操作时，用户可能连续多个视频帧都将视线保持在同一区域。此时，相邻视频帧中注视目标对应的视觉 Token 往往高度相似。如果仍然对每一帧进行完整计算，就会反复处理大量几乎相同的视觉语义。为此，GazePruning 进一步提出注视引导的帧间 Token 合并机制。

首先，对于每一个视频帧，模型计算当前帧所有注视相关 Token 的平均特征，作为这一帧的 gaze representation。随后，计算相邻两帧 gaze representation 之间的余弦相似度。如果连续多帧的相似度高于预设阈值，说明用户大概率仍然在观察同一视觉对象。GazePruning 会将这些连续帧组成一个时间窗口。对于一个稳定注视窗口，模型保留第一帧的视觉 Token，而后续高度相似帧不再完整保留所有 Token。与此同时，模型会将窗口内各帧中的 gaze representation 聚合为一个 temporal gaze-summary token，并加入第一帧的 Token 序列中。

通过这种方式，模型可以同时保留两类信息：一方面，代表帧提供完整的空间和场景结构；另一方面，temporal gaze-summary token 保存被注视对象随时间发生的潜在变化。因此，GazePruning 并不是简单删除后续视频帧，而是在压缩时间冗余的同时保留用户关注对象的动态语义。

本文在 EgoGazeVQA Benchmark 上进行实验。该基准覆盖三个具有眼动信息的第一视角视频数据集：Ego4D、EgoExo4D 和 EGTEA Gaze+。整体包含 900 个视频和 1700 组问答样本，主要评估 LVLM 根据用户注视信息理解用户意图的能力。问题进一步划分为三个维度：Spatial：考察物体与注视位置之间的空间关系；Temporal：考察用户注视轨迹随时间的变化；Causal：考察注视行为与用户行为之间的因果关系。

为了验证方法的模型泛化能力，本文在多个主流 LVLM 上进行实验，包括：LLaVA-NeXT-Video-7B、InternVL2.5-8B、InternVL3-8B、Qwen2-VL-7B 和 Qwen2.5-VL-7B。对比方法包括三类具有代表性的 Token 剪枝方法：SparseVLM、VisPruner 和 FrameFusion。其中分别对应问题引导、显著性引导以及视频帧间冗余建模等不同剪枝思路。

实验结果表明，在不同 LVLM 和不同 Token Budget 下，GazePruning 均能够稳定优于现有 Token 剪枝方法。

表1：不同模型架构、不同方法在同一剪枝力度下的效果对比

总体而言，GazePruning 重新思考了 VR 场景中 LVLM 的视觉 Token 选择问题：哪些视觉信息值得计算，不应只由模型本身决定，也可以由用户真实的视觉行为参与决定。通过将用户注视作为视觉 Token 剪枝的重要先验，GazePruning 在单帧内部同时保留注视目标、全局场景和代表性补充信息，并进一步利用连续注视所产生的时间一致性减少跨帧冗余。这种设计使模型能够从空间冗余和时间冗余两个层面压缩视觉 Token，并在计算效率和任务性能之间取得更好的平衡。相比仅根据视觉显著性或文本查询进行剪枝，GazePruning 进一步将用户侧注意信息引入 LVLM 的计算过程，为面向 VR 眼镜、AR 眼镜等沉浸式设备的实时多模态智能提供了一种新的思路：让模型不仅能够“看见”环境，也能够知道用户正在看哪里，并把有限的计算资源用在真正值得看的地方。