論文の概要: FlowOVD: Learning Generative Latent Flows for Zero-shot Open-vocabulary Detection

• arxiv url: http://arxiv.org/abs/2606.00782v1
• Date: Sat, 30 May 2026 16:01:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.772771
• Title: FlowOVD: Learning Generative Latent Flows for Zero-shot Open-vocabulary Detection
• Title（参考訳）: FlowOVD:ゼロショットオープン語彙検出のための生成潜在フローの学習
• Abstract要約: 本稿では,デコーダクエリ生成を遅延空間における連続的な転送プロセスとしてモデル化することで,生成的視点を導入する。 本稿では,テキストに依存しない問合せを段階的にテキスト誘導クエリに変換する修正フローに基づく,テキスト言語クエリ生成フレームワークであるFlowOVDを提案する。 提案手法は,個別のクエリ構築を回避し,より表現力の高いセマンティックアライメントを実現する。
• 参考スコア（独自算出の注目度）: 25.472691034238853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-vocabulary object detection (OVD) has achieved remarkable progress through large-scale vision-language pre-training. Existing methods, however, typically formulate OVD as a discriminative prediction problem, where decoder queries are either static or initialized from encoder features, thus limiting their diversity and flexibility. In this paper, we introduce a generative perspective by modeling decoder query generation as a continuous transport process in latent space. We propose FlowOVD, a text-conditioned query generation framework based on rectified flow that progressively transforms text-agnostic queries into text-guided queries. By introducing continuous latent query dynamics into a vision-language model (VLM) based detector, our method avoids heuristic discrete query construction and enables more expressive semantic alignment for open-vocabulary detection. Without requiring additional training data, FlowOVD achieves 49.5 AP on COCO and 31.5 AP on LVIS, outperforming GroundingDINO by +1.2 AP (+2.5 %) and +4.1 AP (+15.0 %), respectively. The larger gain on the challenging long-tailed LVIS benchmark further highlights the effectiveness of continuous query generation for open-vocabulary generalization.
• Abstract（参考訳）: Open-vocabulary Object Detection (OVD) は、大規模視覚言語による事前学習を通じて顕著な進歩を遂げた。 しかし、既存の手法は一般的にOVDを識別予測問題として定式化しており、デコーダクエリはエンコーダの機能から静的か初期化され、その多様性と柔軟性が制限される。 本稿では,遅延空間における連続的なトランスポートプロセスとしてデコーダクエリ生成をモデル化して生成的視点を提案する。 本稿では,テキストに依存しないクエリを段階的にテキストガイド型クエリに変換する修正フローに基づく,テキスト条件付きクエリ生成フレームワークであるFlowOVDを提案する。 視覚言語モデル(VLM)に基づく連続潜時クエリダイナミックスを導入することで、ヒューリスティックな離散クエリ構築を回避し、オープン語彙検出のためのより表現力のあるセマンティックアライメントを実現する。 追加のトレーニングデータを必要としないFlowOVDは、COCOで49.5 AP、LVISで31.5 AP、GroundingDINOで+1.2 AP(+2.5 %)、+4.1 AP(+15.0 %)をそれぞれ上回っている。 挑戦的な長い尾を持つLVISベンチマークにおける大きな進歩は、オープン語彙の一般化に対する連続的なクエリ生成の有効性をさらに強調している。

関連論文リスト

• Decoupling Semantics and Geometric Grounding: Spatial Visual Prompts for Language-Conditioned Imitation Learning [21.67233368353003]
  本稿では,アクション生成ループから空間的グラウンドを明示的に抽出する分離アーキテクチャであるSVP-ILを提案する。 実験では、SVP-ILは最先端のVLAや純粋なビジュモータベースラインよりも著しく優れている。
  論文  参考訳（メタデータ） (2026-06-24T03:45:06Z)
• REFLEX: Reflective Evolution from LLM Experience [1.1746215656478116]
  視覚的診断は、監査可能かつ効率的なポリシー探索を実現するために、コード生成から構造的に切り離さなければならない。 REFLEXでは、視覚対応のCriticが、まずタスク固有の行動証拠を構造化され監査可能な診断に蒸留する。 テキスト最適化アクターは、再利用可能なコードスニペットの永続的で自己進化的なスキルメモリとともに、これらの診断を使用して子ポリシーを合成する。 このアーキテクチャは、透過的な突然変異トレースを提供するだけでなく、プログラム間の知識伝達も可能にする。
  論文  参考訳（メタデータ） (2026-06-15T09:58:13Z)
• Reward-Guided Semantic Evolution for Test-time Adaptive Object Detection [82.2968697030677]
  Grounding DINOのような視覚言語モデル(VLM)を用いたオープン語彙オブジェクト検出は、テスト時間分布シフト時の性能劣化に悩まされる。 Reward-Guided Semantic Evolution (RGSE) は、テスト時にテキストの埋め込みを直接洗練するトレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-06T06:17:41Z)
• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Parameter-Efficient Semantic Augmentation for Enhancing Open-Vocabulary Object Detection [33.35667602014138]
  HSA-DINOは、オープン語彙オブジェクト検出を強化するためのパラメータ効率のよいセマンティック拡張フレームワークである。 推論中に適切な意味拡張戦略を動的に選択する意味認識ルータを提案する。 我々は,OV-COCO上のHSA-DINO,いくつかの垂直領域データセット,修正されたベンチマーク設定を評価した。
  論文  参考訳（メタデータ） (2026-04-06T05:41:33Z)
• QueryCraft: Transformer-Guided Query Initialization for Enhanced Human-Object Interaction Detection [7.030364980618468]
  本稿では,セマンティックな事前情報と特徴学習を組み込んだ新しいプラグアンドプレイHOI検出フレームワークを提案する。 本手法はHICO-DetおよびV-COCOベンチマーク上での最先端性能と強力な一般化を実現する。
  論文  参考訳（メタデータ） (2025-08-12T03:11:16Z)
• Cyclic Contrastive Knowledge Transfer for Open-Vocabulary Object Detection [11.497620257835964]
  我々は、余分な監督なしに訓練されたCCKT-Detを提案する。 提案フレームワークは,視覚言語モデル(VLM)から抽出した言語クエリと視覚領域の特徴から,循環的かつ動的に知識を伝達する。 CCKT-Detは、VLMの規模が大きくなるにつれて常に性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-03-14T02:04:28Z)
• MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection [107.15164718585666]
  開語彙検出コンテキスト下でのVLMの偏り予測の根本原因について検討した。 私たちの観察は、非常に優れたトレーニングターゲットを生成する、単純で効果的なパラダイム、コード化されたMarvelOVDにつながります。 我々の手法は、他の最先端技術よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2024-07-31T09:23:57Z)
• OV-DINO: Unified Open-Vocabulary Detection with Language-Aware Selective Fusion [88.59397418187226]
  我々はOV-DINOと呼ばれる新しいオープン語彙検出手法を提案する。 言語対応の選択的融合を統一フレームワークに組み込んだ、さまざまな大規模データセットで事前トレーニングされている。 提案するOV-DINOのオープン語彙検出ベンチマークにおける性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:05:49Z)
• DetCLIPv3: Towards Versatile Generative Open-vocabulary Object Detection [111.68263493302499]
  DetCLIPv3は、オープンボキャブラリオブジェクト検出と階層ラベルの両方で優れた高性能検出器である。 DetCLIPv3は,1)Versatileモデルアーキテクチャ,2)高情報密度データ,3)効率的なトレーニング戦略の3つのコア設計によって特徴付けられる。 DetCLIPv3は、GLIPv2, GroundingDINO, DetCLIPv2をそれぞれ18.0/19.6/6 APで上回り、優れたオープン語彙検出性能を示す。
  論文  参考訳（メタデータ） (2024-04-14T11:01:44Z)
• Anticipating the Unseen Discrepancy for Vision and Language Navigation [63.399180481818405]
  視覚言語ナビゲーションでは、エージェントは特定のターゲットに到達するために自然言語命令に従う必要がある。 目に見える環境と目に見えない環境の間に大きな違いがあるため、エージェントがうまく一般化することは困難である。 本研究では,テストタイムの視覚的整合性を促進することによって,未知の環境への一般化を学習する,未知の離散性予測ビジョンと言語ナビゲーション(DAVIS)を提案する。
  論文  参考訳（メタデータ） (2022-09-10T19:04:40Z)

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。