論文の概要: DeepLatent: Think with Images via Parallel Latent Visual Reasoning

• arxiv url: http://arxiv.org/abs/2606.00562v1
• Date: Sat, 30 May 2026 06:33:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.525215
• Title: DeepLatent: Think with Images via Parallel Latent Visual Reasoning
• Title（参考訳）: DeepLatent: 並列遅延ビジュアル推論によるイメージ認識
• Abstract要約: イメージで考える”は、視覚状態を中間的推論ステップに埋め込んで、ビジョンランゲージモデルの新しいフロンティアを定義する。 潜在的推論法は暗黙的な視覚状態を自動生成するが、ツールアシスト法は不十分である。 本稿では,潜時視覚推論のための並列フレームワークDeepLatentを提案する。
• 参考スコア（独自算出の注目度）: 0.9783728599852771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emerging paradigm of "thinking with images" embeds visual states into intermediate reasoning steps, defining a new frontier for Vision-Language Models. Existing approaches diverge along two lines. Tool-assisted methods apply explicit visual operations but suffer from high latency and restricted manipulation types. Latent reasoning methods autoregressively produce implicit visual states, but underperform tool-assisted methods, and their latent tokens fail to capture effective visual information. In this work, we propose DeepLatent, a parallel framework for latent visual reasoning. First, we introduce LatentFormer. It uses learnable 2D tokens to generate context-conditioned latent states in parallel, anchoring every visual update directly in the original image features. Second, we design a continuous-space reinforcement learning algorithm. It optimizes latent modulation parameters directly in the embedding space, significantly improving latent representation quality. The framework is trained via knowledge distillation followed by this continuous-space RL algorithm. Furthermore, we contribute DeepLatent-180K, a large-scale dataset tailored for latent visual reasoning. Extensive evaluations across multiple benchmarks demonstrate that DeepLatent achieves state-of-the-art performance.
• Abstract（参考訳）: イメージで考える”という新たなパラダイムは、視覚状態を中間的推論ステップに埋め込んで、ビジョンランゲージモデルのための新たなフロンティアを定義する。 既存のアプローチは2つの線に沿って分岐する。 ツールアシストメソッドは明示的な視覚操作を適用するが、レイテンシが高く、操作の制限がある。 潜時推論法は暗黙的な視覚状態を自動生成するが、ツールアシスト法では性能が低く、潜時トークンは効果的な視覚情報を取得することができない。 本稿では,潜時視覚推論のための並列フレームワークであるDeepLatentを提案する。 まず、LatentFormerを紹介します。 学習可能な2Dトークンを使用してコンテキスト条件付き潜在状態を並列に生成し、元のイメージ機能に直接すべてのビジュアルアップデートをアンロックする。 次に,連続空間強化学習アルゴリズムを設計する。 埋め込み空間において遅延変調パラメータを直接最適化し、遅延表現品質を著しく改善する。 このフレームワークは知識蒸留によって訓練され、続いて連続空間RLアルゴリズムが続く。 さらに、潜時視覚推論に適した大規模データセットであるDeepLatent-180Kをコントリビュートする。 複数のベンチマークにわたる大規模な評価は、DeepLatentが最先端のパフォーマンスを達成していることを示している。

関連論文リスト

• Latent Visual States for Efficient Multimodal Reasoning [58.350643620457]
  EVA(LatEnt Visual StAtes)は、連続的な潜伏した視覚表現を生成する新しいフレームワークである。 これらの内部表現は、Latnt_slotトークンの適応シーケンスとして表される。 EVAは推論効率を高めつつ、大幅な性能向上を達成する。
  論文  参考訳（メタデータ） (2026-06-23T07:22:22Z)
• ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both [55.182037225013836]
  ATLASは、単一の独立した「ワード」を機能トークンと呼び、エージェント操作と潜在視覚推論ユニットの両方として機能するフレームワークである。 ATLASは、明確な解釈可能性を維持しながら、挑戦的なベンチマークで優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T17:59:55Z)
• Visual Latents Know More Than They Say: Unsilencing Latent Reasoning in MLLMs [54.16324124242172]
  連続潜在空間推論は、マルチモーダルモデルに対するテキストチェーンのコンパクトな代替を提供する。 既存の視覚的推論手法では,これまで見過ごされてきた最適化病理を同定する。 パラメータ更新を伴わない推論時間潜時最適化は、視覚潜時における抑止的推論能力を効果的に解き放つことを示す。
  論文  参考訳（メタデータ） (2026-05-04T15:36:12Z)
• Think in Strokes, Not Pixels: Process-Driven Image Generation via Interleaved Reasoning [59.262311672150055]
  プロセス駆動画像生成は多段階のパラダイムで、合成をインターリーブな推論軌道に分解する。 プロセス駆動生成の核となる課題は、中間状態のあいまいさに起因する。 2つの相補的な制約を維持する、密集したステップワイドな監視を通じてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-04-06T15:11:57Z)
• LanteRn: Latent Visual Structured Reasoning [7.141402207573525]
  本稿では,視覚的推論を潜在空間で直接実行可能にするフレームワークであるLanteRnを紹介する。 LanteRnは、推論中に連続的な視覚的思考の埋め込みを生成し、参加する能力を持つ視覚言語変換器を増強する。 我々はLanteRnを3つの知覚中心ベンチマーク(VisCoT, V*, Blink)で評価する。
  論文  参考訳（メタデータ） (2026-03-26T16:41:59Z)
• ViThinker: Active Vision-Language Reasoning via Dynamic Perceptual Querying [15.728211622542267]
  ViThinkerは、要求に応じて専門家による視覚的特徴を合成するきっかけとなる意思決定トークンを視覚言語モデルが自律的に生成することを可能にするフレームワークである。 ViThinkerは、トレーニング中に視覚専門家の能力を内部化し、外部ツールコールなしで推論中に生成的なメンタルシミュレーションを実行する。
  論文  参考訳（メタデータ） (2026-02-02T22:29:57Z)
• Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
  本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。 注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。 被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
  論文  参考訳（メタデータ） (2025-09-26T07:11:55Z)
• Harnessing Diffusion Models for Visual Perception with Meta Prompts [68.78938846041767]
  本稿では,視覚知覚タスクの拡散モデルを用いた簡易かつ効果的な手法を提案する。 学習可能な埋め込み(メタプロンプト)を事前学習した拡散モデルに導入し、知覚の適切な特徴を抽出する。 提案手法は,NYU 深度 V2 と KITTI の深度推定タスク,および CityScapes のセマンティックセグメンテーションタスクにおいて,新しい性能記録を実現する。
  論文  参考訳（メタデータ） (2023-12-22T14:40:55Z)
• Fine-grained Semantics-aware Representation Enhancement for Self-supervised Monocular Depth Estimation [16.092527463250708]
  自己教師付き単分子深度推定を改善するための新しいアイデアを提案する。 我々は、幾何学的表現強化に暗黙的な意味知識を取り入れることに注力する。 提案手法をKITTIデータセット上で評価し,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-19T17:50:51Z)

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。