論文の概要: CamReasoner: Reinforcing Camera Movement Understanding via Structured Spatial Reasoning
- arxiv url: http://arxiv.org/abs/2602.00181v1
- Date: Fri, 30 Jan 2026 04:45:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.033857
- Title: CamReasoner: Reinforcing Camera Movement Understanding via Structured Spatial Reasoning
- Title（参考訳）: CamReasoner: 構造的空間推論によるカメラ運動理解の強化
- Abstract要約: CamReasonerは、カメラムーブメントの理解を構造化推論プロセスとして再構築するフレームワークである。
我々は、この領域における論理的アライメントにRLを初めて採用し、運動推論が物理幾何学に基礎を置いていることを保証する。
- 参考スコア（独自算出の注目度）: 40.654048754955404
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding camera dynamics is a fundamental pillar of video spatial intelligence. However, existing multimodal models predominantly treat this task as a black-box classification, often confusing physically distinct motions by relying on superficial visual patterns rather than geometric cues. We present CamReasoner, a framework that reformulates camera movement understanding as a structured inference process to bridge the gap between perception and cinematic logic. Our approach centers on the Observation-Thinking-Answer (O-T-A) paradigm, which compels the model to decode spatio-temporal cues such as trajectories and view frustums within an explicit reasoning block. To instill this capability, we construct a Large-scale Inference Trajectory Suite comprising 18k SFT reasoning chains and 38k RL feedback samples. Notably, we are the first to employ RL for logical alignment in this domain, ensuring motion inferences are grounded in physical geometry rather than contextual guesswork. By applying Reinforcement Learning to the Observation-Think-Answer (O-T-A) reasoning paradigm, CamReasoner effectively suppresses hallucinations and achieves state-of-the-art performance across multiple benchmarks.
- Abstract（参考訳）: カメラダイナミクスを理解することは、ビデオ空間知能の基本的な柱である。
しかし、既存のマルチモーダルモデルは、主にこのタスクをブラックボックスの分類として扱い、幾何学的な手がかりではなく表面的な視覚パターンに頼ることによって、物理的に異なる動きを混乱させることがしばしばある。
CamReasonerは、カメラの動き理解を構造化推論プロセスとして再構成し、認識と映像論理のギャップを埋めるフレームワークである。
提案手法は,観測・シンキング・アンサー(O-T-A)パラダイムを中心に,軌跡などの時空間的手がかりを明示的な推論ブロック内で復号する手法である。
この機能を具体化するために、18k SFT推論チェーンと38k RLフィードバックサンプルからなる大規模推論トラジェクトリスイートを構築した。
特に、我々はこの領域における論理的アライメントにRLを初めて採用し、動きの推測が文脈的推測よりも物理的な幾何学に基礎を置いていることを保証する。
強化学習をオブザーバ・シンク・アンサー(O-T-A)推論パラダイムに適用することにより、CamReasonerは幻覚を効果的に抑制し、複数のベンチマークで最先端のパフォーマンスを達成する。
関連論文リスト
- Disentangling 3D Modeling from Spatial Reasoning [56.3819096070689]
本研究では,空間的推論から3次元知覚を明示的に切り離すことにより,空間的推論のための代替パラダイムを探求する。
我々のキーとなる観察は、現代の知覚モデルが連続した3次元幾何学を推定するのに優れているのに対して、大きな言語モデル(LLM)は特に構成的および記号的推論に有効であるということである。
これらの相補的な強みに感銘を受けて、ディスタングル空間共振器(DiSR)を提案する。
DiSRは、この明示的な幾何学的証拠のみを推論するために、既製の専門家の知覚モデルとLLMをLoRAで微調整することで、物理世界を構造化された3Dエビデンスに再構成する。
論文 参考訳（メタデータ） (2026-08-05T14:32:48Z) - OmniView-Space: Reinforcing Spatial Reasoning via Multi-Perspective Spatial Mapping [69.48762031013514]
OmniView-Spaceはマルチモーダルなエゴセントリックなエビデンスを通じて空間の一貫性を維持するために設計されたフレームワークである。
提案手法は, マルチパースペクティブ空間マッピング (MPSM) の3つのコアコンポーネントから構成される。(1) 幾何をクエリ整列型視覚認知マップとテキスト空間グラフに再構成する手法,(2) クエリによって要求されるエゴアンカーを積極的に選択し,対応するMPSM証拠を要求するためのインターリーブドポリシー,(3) MPSM生成トラジェクトリとエゴフレーム報酬を用いてモデルを自己生成認知マップで推論する認知マップ蒸留である。
論文 参考訳（メタデータ） (2026-07-01T12:45:12Z) - SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning [67.67774742200626]
空間知能は、視覚的な観察から幾何学的および物理的構造を推論する能力を指すもので、大きな言語モデルにとって重要な課題である。
テキスト推論と視覚的想像力を組み合わせた統合型マルチモーダル生成フレームワークを提案する。
本フレームワークでは,高レベルなセマンティックプランニングのためのテキストチェーンと,幾何感応的な状態変換と整合性保存のための視覚的想像力を用いて,分割・対数戦略を採用している。
論文 参考訳（メタデータ） (2026-04-19T11:21:59Z) - Rethinking Token-Level Policy Optimization for Multimodal Chain-of-Thought [73.39221516441624]
マルチモーダル・チェーン・オブ・ソート(CoT)推論は、推論軌道を構築するために大きな視覚言語モデルを必要とする。
既存のReinforcement Learning with Verifiable Rewards (RLVR) 法は、様々な視覚的接地度を区別することなく、CoTを均一に扱う。
本稿では,隠れ状態の類似性に先立って認識を導き,トークンのエントロピーと統合する知覚探索ポリシー最適化(PEPO)を提案する。
論文 参考訳（メタデータ） (2026-03-24T06:38:00Z) - GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry [61.24189040578178]
そこで本研究では,注目機構を介し,潜在特徴表現から移動対象を直接推論する完全学習型アプローチを提案する。
我々の重要な洞察は、明示的な対応推定を回避し、代わりに、モデルが暗黙的にオブジェクトとカメラの動きを歪めることを学ぶことである。
提案手法は,最先端の動作セグメンテーション性能を高い効率で達成する。
論文 参考訳（メタデータ） (2026-02-25T11:36:33Z) - Thinking with Blueprints: Assisting Vision-Language Models in Spatial Reasoning via Structured Object Representation [52.605647992080485]
空間的推論は視覚的知覚から意味的理解へと視覚言語モデルを前進させる。
物体中心の青写真という認知概念を空間的推論に統合する。
我々の手法は既存の視覚言語モデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-01-05T10:38:26Z) - Reasoning Within the Mind: Dynamic Multimodal Interleaving in Latent Space [46.05748768260013]
テスト時間動的マルチモーダル遅延推論フレームワークを提案する。
信頼誘導の潜在ポリシー勾配最適化を、詳細な推論のために潜在シンクトークンに採用する。
7つのマルチモーダル推論ベンチマークと様々なモデルアーキテクチャによる実験により、DMLRは推論性能と知覚性能を大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-12-14T10:07:45Z) - Video Spatial Reasoning with Object-Centric 3D Rollout [58.12446467377404]
我々は,ロバストなビデオ空間推論を実現するために,OCR(Object-Centric 3D Rollout)を提案する。
OCRは、トレーニング中に選択した物体の3次元形状に構造的摂動を導入する。
OCRはモデルを補完し、全体にわたって論理的にソートする。
論文 参考訳（メタデータ） (2025-11-17T09:53:41Z) - Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing [62.447497430479174]
空間における推論への描画は、視覚空間における基本的な描画操作を通じてLVLMを推論できる新しいパラダイムである。
我々のモデルはVILASRと呼ばれ、様々な空間推論ベンチマークで既存の手法より一貫して優れています。
論文 参考訳（メタデータ） (2025-06-11T17:41:50Z) - The Right Spin: Learning Object Motion from Rotation-Compensated Flow
Fields [61.664963331203666]
人間がどのように動く物体を知覚するかは、コンピュータービジョンにおける長年の研究課題である。
この問題の1つのアプローチは、これらすべての効果をモデル化するためのディープネットワークを教えることである。
運動場からカメラの回転を推定する新しい確率モデルを提案する。
論文 参考訳（メタデータ） (2022-02-28T22:05:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。