論文の概要: MaskWAM: Unifying Mask Prompting and Prediction for World-Action Models

• arxiv url: http://arxiv.org/abs/2606.13515v1
• Date: Thu, 11 Jun 2026 16:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.900938
• Title: MaskWAM: Unifying Mask Prompting and Prediction for World-Action Models
• Title（参考訳）: MaskWAM:World-Action Modelのマスクプロンプティングと予測の統合
• Authors: Hanyang Yu, Haitao Lin, Jingbo Zhang, Wenyao Zhang, Chenghao Gu, Heng Li, Ping Tan,
• Abstract要約: World Action Models (WAMs) はビデオ予測によるロボット制御に有望なパラダイムを提供する。 現在のWAMは、基本的な空間的ボトルネックに悩まされている。 オブジェクト中心のワールドアクションモデルであるMaskWAMを紹介する。
• 参考スコア（独自算出の注目度）: 41.48585089405156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) present a promising paradigm for robotic control via video prediction. However, current WAMs suffer from fundamental spatial bottlenecks: standard text inputs introduce referential ambiguity in cluttered scenes, while unstructured RGB predictions lack semantic grounding and remain biased by task-irrelevant backgrounds. To overcome these limitations, we introduce MaskWAM, an object-centric world-action model. By jointly integrating masks as both explicit inputs and predictions via a unified Mixture of Transformers (MoT), MaskWAM unlocks robust policy generalization. This design provides two key benefits: (1) predicting future masks yields object-centric semantic supervision that suppresses visual noise, significantly enhancing even standard text-conditioned WAMs; and (2) coupling this predictive supervision with first-frame visual prompts, such as target object masks, establishes a precise spatial anchor that substantially reduces language ambiguity. Crucially, as WAMs are inherently vision-driven architectures, direct mask conditioning yields substantially stronger guidance than text alone, establishing a precise and robust paradigm for manipulating unseen objects. Evaluations on LIBERO, RoboTwin, and real-world tasks demonstrate that MaskWAM significantly outperforms baselines in both language-clear and language-ambiguous tasks.
• Abstract（参考訳）: World Action Models (WAMs) はビデオ予測によるロボット制御に有望なパラダイムを提供する。 しかし、現在のWAMは基本的な空間的ボトルネックに悩まされている: 標準的なテキスト入力は散らばったシーンで参照のあいまいさを導入し、一方、構造化されていないRGB予測は意味的根拠がなく、タスク非関連な背景に偏っている。 これらの制約を克服するために、オブジェクト中心の世界アクションモデルMaskWAMを導入する。 MoT(Mixture of Transformers)を通じてマスクを明示的な入力と予測の両方として統合することにより、MaskWAMはロバストなポリシーの一般化を解放する。 この設計は,1) 将来のマスクの予測は,視覚ノイズを抑えるオブジェクト中心のセマンティック・インスペクティブ・インスペクティブを付与し,標準的なテキスト条件のWAMを著しく強化する。 重要なことに、WAMは本質的に視覚駆動型アーキテクチャであるため、直接マスク条件付けはテキスト単独よりもはるかに強力なガイダンスをもたらし、目に見えないオブジェクトを操作するための正確で堅牢なパラダイムを確立している。 LIBERO、RoboTwin、および実世界のタスクに対する評価は、MaskWAMが言語クリアなタスクと言語あいまいなタスクの両方において、ベースラインを大幅に上回っていることを示している。

関連論文リスト

• GenEraser: Generalizable Video Object Removal via Balanced Text-Mask Guidance and Decoupled Locator-Preserver [107.6554560318856]
  GenEraserは、一般化された高忠実度ビデオオブジェクトとエフェクト除去のための新しいフレームワークである。 拡散変換器のマルチモーダル先行をフル活用するために,バイパートテキストガイダンスと組み合わせたMC-MoE(Multi-Conditional Mixture-of-Experts)を導入する。 また、マスクとテキスト条件の相対的優位性を適応的にバランスさせるための学習可能なDeep C'FGのFusion機構を提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:58:36Z)
• See What I Mean: Aligning Vision and Language Representations for Video Fine-grained Object Understanding [41.70825455674463]
  SWIM(See What I Mean)は、視覚と言語表現を調整し、テキストのプロンプトからのみ、きめ細かいオブジェクト理解を可能にする訓練戦略である。 SWIMはテキスト・ビジュアル・アライメントを大幅に改善し,細粒度オブジェクト理解ベンチマークにおける視覚プロンプトに基づく手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-05-18T08:09:37Z)
• Masks Can Be Distracting: On Context Comprehension in Diffusion Language Models [19.847438086389616]
  Masked Diffusion Language Modelsは、Autoregressive Language Modelsに代わる有望な選択肢として登場した。 本研究は,MDLMの局所性バイアスが強いことを示す。 本稿では,マスク数に不変な予測を推奨するマスク非依存損失関数を提案する。
  論文  参考訳（メタデータ） (2025-11-26T12:44:29Z)
• Enhancing Targeted Adversarial Attacks on Large Vision-Language Models via Intermediate Projector [24.390527651215944]
  ブラックボックスの敵攻撃は特に大型ビジョンランゲージモデル(VLM)に深刻な脅威をもたらす 本稿では,プロジェクタを利用した新たなブラックボックスターゲットアタックフレームワークを提案する。 具体的には、グローバルな画像埋め込みをきめ細かなクエリ出力に変換する、広く採用されているクエリ変換器(Q-Former)を利用する。
  論文  参考訳（メタデータ） (2025-08-19T11:23:09Z)
• Knowing Where to Focus: Attention-Guided Alignment for Text-based Person Search [64.15205542003056]
  本稿では,AGM(Atention-Guided Mask)モデリングとTEM(Text Enrichment Module)という,2つの革新的なコンポーネントを備えたAGA(Atention-Guided Alignment)フレームワークを紹介する。 AGA は CUHK-PEDES と ICFG-PEDES と RSTP でそれぞれ78.36%、67.31%、67.4% に達した。
  論文  参考訳（メタデータ） (2024-12-19T17:51:49Z)
• ColorMAE: Exploring data-independent masking strategies in Masked AutoEncoders [53.3185750528969]
  Masked AutoEncoders (MAE)は、堅牢な自己管理フレームワークとして登場した。 データに依存しないColorMAEという手法を導入し、ランダムノイズをフィルタすることで異なる二元マスクパターンを生成する。 ランダムマスキングと比較して,下流タスクにおける戦略の優位性を示す。
  論文  参考訳（メタデータ） (2024-07-17T22:04:00Z)
• Open-Vocabulary Segmentation with Unpaired Mask-Text Supervision [87.15580604023555]
  Unpair-Segは、弱制御されたオープン語彙セグメンテーションフレームワークである。 未ペア画像マスクと画像テキストペアから学習し、独立して効率的に収集することができる。 ADE-847とPASCAL Context-459データセットで14.6%と19.5%のmIoUを達成した。
  論文  参考訳（メタデータ） (2024-02-14T06:01:44Z)

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。