本研究提出了一种无训练的视觉检索增强生成（VRAG）框架，旨在应对对抗性补丁攻击对视觉系统的威胁。该方法通过集成视觉-语言模型，显著提高了对抗补丁的检测准确性，为实际防御提供了新思路。

本研究提出了MMDocIR基准，以解决多模态文档检索性能评估不足的问题。实验结果表明，视觉检索优于文本检索，强调了视觉元素的重要性。