論文の概要: Thinking Without Images: Internalizing Visual Manipulation with On-Policy Self-Distillation

• arxiv url: http://arxiv.org/abs/2606.08719v1
• Date: Sun, 07 Jun 2026 16:29:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.411362
• Title: Thinking Without Images: Internalizing Visual Manipulation with On-Policy Self-Distillation
• Title（参考訳）: 画像のない思考:オンライン自己蒸留による視覚マニピュレーションの内在化
• Authors: Yishuo Cai, Jiahui Liu, Yuanxin Liu, Haobo Deng, Linli Yao, Yuhao Zheng, Kun Ouyang, Zhimo Li, Ziyue Wang, Xu Sun, Haoli Bai, Xiaohui Li,
• Abstract要約: きめ細かな視覚的推論に有効なパラダイムとして「画像で考える」が登場している。 我々は,「画像で考える」という理由付けの利点が,Imaginationで考えることによって内在化できるかどうかを問う。 本研究では,教師が「画像で考える」理性者の役割を担う,政治上の自己蒸留フレームワークであるImagine-OPDを提案する。
• 参考スコア（独自算出の注目度）: 19.81721375367558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ''Thinking with Images'' has emerged as an effective paradigm for fine-grained visual reasoning: by explicitly zooming into relevant regions and reasoning over crops, models can access local evidence that is difficult to recover from a single global image. However, this benefit comes with redundant tool invocations and longer inference traces. Moreover, when such behaviors are learned mainly from outcome reward, the resulting intermediate crops or visual cues can be noisy or fail to faithfully capture task-relevant visual evidence. In this work, we ask whether the reasoning benefits of ''Thinking with Images'' can be internalized through Thinking with Imagination: an internal process that decides where to look and imagines what visual cues closer inspection would reveal without actually invoking tools. We propose Imagine-OPD, an on-policy self-distillation framework in which a teacher plays the role of a ''Thinking with Images'' reasoner during training: it receives privileged zoomed evidence views derived from annotated regions, and supervises the model's own imagination reasoning trajectories. Imagine-OPD does not require an external teacher or high-quality imagination demonstrations. Experiments on vision-centric benchmarks show that Imagine-OPD achieves the best average performance among compared models while significantly reducing inference overhead compared with ''Thinking with Images'' methods.
• Abstract（参考訳）: 「画像で見る」が視覚的微妙な推論の有効なパラダイムとして現れており、関係する領域を明示的に拡大し、作物を推論することで、単一のグローバルイメージから回復するのが困難な局所的証拠にモデルがアクセスすることができる。 しかし、この利点には冗長なツール呼び出しと長い推論トレースがある。 さらに、このような行動が主に結果報酬から学習されると、結果として生じる中間的作物や視覚的手がかりは騒々しくなり、タスク関連視覚的証拠を忠実に捉えられなくなる。 本研究では,「画像で見る」という理由付けの利点をImaginationで考えることによって内部化できるかどうかを問う。 筆者らは,教師が訓練中に'Sinking with Images'の推論役を演じる,オンラインの自己蒸留フレームワークであるImagine-OPDを提案する。 想像-OPDは外部の教師や高品質な想像力のデモンストレーションを必要としない。 ビジョン中心のベンチマークの実験では、Imagine-OPDは比較モデルの中で最高の平均性能を達成し、推論オーバーヘッドを'Thinking with Images'メソッドと比較して大幅に低減している。

関連論文リスト

• Vision-OPD: Learning to See Fine Details for Multimodal LLMs via On-Policy Self-Distillation [71.92541392470103]
  MLLM(Multimodal Large Language Models)は、細かな視覚的理解に苦慮している。 地域間自己蒸留フレームワークであるビジョンOPD(Vision On-Policy Distillation)を提案する。 Vision-OPDは同じMLLMから2つの条件ポリシーをインスタンス化する。
  論文  参考訳（メタデータ） (2026-05-18T17:57:04Z)
• Improving Visual Reasoning with Iterative Evidence Refinement [41.18410988040976]
  視覚言語モデル(VLM)は、画像の上に推論する能力がますます高まっている。 しかし、堅牢な視覚的推論は、基礎となる視覚的証拠において、しばしば中間的なステップを再定義する必要がある。 本稿では、内部表現による画像証拠の再挿入をモデルに訓練するエンド・ツー・エンドのセルフリビジョン・フレームワークであるSIEVEを提案する。
  論文  参考訳（メタデータ） (2026-03-14T21:08:21Z)
• When and How Much to Imagine: Adaptive Test-Time Scaling with World Models for Visual Spatial Reasoning [108.73849507002195]
  空間的推論のための制御可能な資源として,テスト時の視覚的想像力を詳細に分析する。 静的な視覚的証拠が十分である場合、想像力が推論を改善するとき、そして過度または不要な想像力が精度と効率に与える影響について検討する。
  論文  参考訳（メタデータ） (2026-02-09T03:21:48Z)
• From Illusion to Intention: Visual Rationale Learning for Vision-Language Reasoning [19.84653798433995]
  本稿では,視覚的合理性自体のトレーニングを基盤とした,エンドツーエンドのパラダイムであるVisual Rationale Learning (ViRL)を提案する。 ViRLは,(1)プロセス・スーパービジョンと,(2)ステップレベルの報酬形成による客観的アライメント,(3)きめ細かなクレジット・アサインメントを統合して,正しく,冗長で,誤動作を区別する。 この研究は、透明で検証可能で信頼できる視覚言語モデルを構築するためのタスクに依存しないプロセス基底パラダイムとして、視覚的合理化を確立している。
  論文  参考訳（メタデータ） (2025-11-28T09:52:56Z)
• MiCo: Multi-image Contrast for Reinforcement Visual Reasoning [72.81576836419373]
  CoT(Chain-of-Thought)推論は、複数の画像に視覚的手がかりをリンクするために使用することができる。 視覚言語モデル(VLM)の規則に基づく強化学習に適応する 提案手法は,マルチイメージ推論ベンチマークにおいて大幅な改善を実現し,汎用視覚タスクにおいて高い性能を示す。
  論文  参考訳（メタデータ） (2025-06-27T17:59:27Z)
• DeepEyes: Incentivizing "Thinking with Images" via Reinforcement Learning [11.242852367476015]
  DeepEyesは、エンドツーエンドの強化学習を通じてインセンティブを得た、“イメージで考える”機能を備えたモデルである。 本稿では,ツール・ユース指向のデータ選択機構と報奨戦略を提案する。 DeepEyesは、微粒な認識と推論ベンチマークにおいて、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-05-20T13:48:11Z)
• When Does Perceptual Alignment Benefit Vision Representations? [76.32336818860965]
  視覚モデル表現と人間の知覚的判断との整合がユーザビリティに与える影響について検討する。 モデルと知覚的判断を一致させることで、多くの下流タスクで元のバックボーンを改善する表現が得られることがわかった。 その結果,人間の知覚的知識に関する帰納バイアスを視覚モデルに注入することは,より良い表現に寄与することが示唆された。
  論文  参考訳（メタデータ） (2024-10-14T17:59:58Z)

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。