El campo de la respuesta visual a preguntas (VQA) ha experimentado una tendencia creciente de integrar fuentes de conocimiento externas para mejorar el rendimiento. Sin embargo, debido a la posible incompletitud de las fuentes de conocimiento externas y a la discrepancia inherente entre diferentes formas de datos, las técnicas actuales de respuesta visual a preguntas basadas en conocimiento (KBVQA) siguen enfrentando el desafío de integrar y utilizar de manera efectiva múltiples datos heterogéneos.