論文の概要: Latent Visual Diffusion Reasoning with Monte Carlo Tree Search
- arxiv url: http://arxiv.org/abs/2606.27988v1
- Date: Fri, 26 Jun 2026 11:35:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.477045
- Title: Latent Visual Diffusion Reasoning with Monte Carlo Tree Search
- Title（参考訳）: モンテカルロ木探索による潜時視覚拡散推論
- Abstract要約: Latent Visual Reasoning Diffusion (LVDR)は、キーポイント誘導モンテカルロ木探索(MCTS)を統合して、潜在視覚推論プロセスをモデル化し視覚化する新しいフレームワークである。
LVDRはより正確なスキルアセスメントを生成し、最終的な評価に寄与する重要な視覚的推論シーケンスを明らかにする。
- 参考スコア（独自算出の注目度）: 21.549296765523618
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analyzing fine-grained skill activities (e.g., sports, surgery) requires not only recognizing visual patterns but also performing step-by-step visual reasoning that leads to the final judgment. While recent advances in action quality assessment have achieved remarkable progress in evaluating performance, existing models remain black boxes, where they lack the ability to explicitly reveal the reasoning processes underlying their judgments. To address this limitation, we propose Latent Visual Diffusion Reasoning (LVDR), a novel framework that integrates keypoint-guided Monte Carlo Tree Search (MCTS) to model and visualize the latent visual reasoning process. LVDR not only produces more accurate skill assessments but also uncovers the critical visual reasoning sequences that contribute to the final evaluation. Extensive experiments across four datasets spanning diverse sports and surgical domains demonstrate that LVDR achieves competitive quantitative performance while providing interpretable visual reasoning trajectories leading to the final predictions. Source codes and models can be found through the following link: https://github.com/XiruiTeng/LVDR_Official.git.
- Abstract（参考訳）: きめ細かいスキルアクティビティ(スポーツ、手術など)を分析するには、視覚パターンを認識するだけでなく、最終的な判断につながるステップバイステップの視覚的推論を実行する必要がある。
近年の行動品質評価の進歩は性能評価において顕著な進歩を遂げているが、既存のモデルはブラックボックスのままであり、判断の根底にある推論プロセスを明確に明らかにする能力は欠如している。
この制限に対処するために,キーポイント誘導モンテカルロ木探索(MCTS)を統合し,潜在視覚推論プロセスをモデル化し視覚化する新しいフレームワークであるLatent Visual Diffusion Reasoning (LVDR)を提案する。
LVDRは、より正確なスキルアセスメントを生成するだけでなく、最終的な評価に寄与する重要な視覚的推論シーケンスも明らかにする。
多様なスポーツ領域と外科領域にまたがる4つのデータセットにわたる大規模な実験により、LVDRは、最終的な予測につながる解釈可能な視覚的推論軌道を提供しながら、競争的な定量的性能を達成することを示した。
ソースコードとモデルについては、https://github.com/XiruiTeng/LVDR_Official.git.com のリンクを参照してください。
関連論文リスト
- CoLVR: Enhancing Exploratory Latent Visual Reasoning via Contrastive Optimization [9.696781633987692]
遅延視覚推論(CoLVR)のためのコントラスト最適化法を提案する。
CoLVRは多様で探索的な表現を、角度に基づく摂動によって導かれる、相対的に対照的な目的によって学習する。
実験により、CoLVRは潜伏表現の探索能力を大幅に向上させることが示された。
論文 参考訳（メタデータ） (2026-05-09T08:47:00Z) - Counting to Four is still a Chore for VLMs [3.017198998175514]
視覚言語モデル(VLM)は、複雑なマルチモーダル推論タスクにおいて印象的な性能を達成した。
それらは依然として、オブジェクトカウントのような単純な接地スキルで失敗します。
本稿では, 挙動解析と力学解析の両方を通して, VLM計数行動の実証的研究を行った。
論文 参考訳（メタデータ） (2026-04-11T05:23:19Z) - Beyond Accuracy: Evaluating Grounded Visual Evidence in Thinking with Images [34.324634481264034]
我々は、忠実な視覚的推論を評価するために設計されたプロセス検証可能なベンチマークであるViEBenchを提案する。
専門家による視覚的エビデンスを含む200個の高解像度画像を合成し、ViEBenchは難易度でタスクを知覚と推論の次元に分類する。
実験の結果,(1)VLMは無関係な領域に接するにもかかわらず,正しい最終回答を導き出すことができ,(2)正しい証拠を見つけることはできるが,正確な結論に至らなかった。
論文 参考訳（メタデータ） (2026-01-14T07:25:15Z) - Thinking with Deltas: Incentivizing Reinforcement Learning via Differential Visual Reasoning Policy [75.66913260900726]
検証可能なリワードによる強化学習は、大規模言語モデルにおいてかなり高度な推論能力を持っている。
既存のパラダイムは、テキスト中心の成果報酬によって推進され、モデルが視覚的知覚をバイパスすることを奨励します。
我々はtextbfDifferential Visual Reasoning Policy によって駆動されるフレームワーク Deltas を用いた textbfThinking を提案する。
論文 参考訳（メタデータ） (2026-01-11T08:25:34Z) - Visual Reasoning Tracer: Object-Level Grounded Reasoning Benchmark [112.46338388724116]
このタスクでは、ターゲットオブジェクトをローカライズするだけでなく、推論パスを形成する中間オブジェクトを明示的に予測する必要がある。
この分野での研究を進めるために,(1)視覚的推論を評価するための人為的注釈付きベンチマークであるVRT-Bench,(2)推論トレースの質を評価するための新しい指標であるVRT-80k,(3)推論モデルトレーニングのための大規模データセットであるVRT-80kが提案されている。
論文 参考訳（メタデータ） (2025-12-04T18:55:34Z) - BLINK-Twice: You see, but do you observe? A Reasoning Benchmark on Visual Perception [67.89135437537179]
我々は視覚中心の推論ベンチマークであるBLINK-Twiceを紹介した。
外部の知識に頼るのではなく、私たちのタスクは視覚的コンテンツのみから推論するモデルを必要とします。
事前の知覚ベンチマークと比較すると、浅い知覚を超越し、きめ細かい観察と分析的推論を必要とする。
論文 参考訳（メタデータ） (2025-10-10T13:14:13Z) - CoFFT: Chain of Foresight-Focus Thought for Visual Language Models [61.34272727005052]
フォレスト・フォーカス思考の連鎖(英語: Chain of Foresight-Focus Thought, CoFFT)は、人間の視覚的認知をエミュレートすることによって視覚的推論を強化する訓練のないアプローチである。
これらの段階は反復的に機能し、推論が視覚的焦点を導き、視覚的焦点がその後の推論を知らせる相互依存サイクルを生成する。
Qwen2.5-VL、InternVL-2.5、Llava-Nextを使った複数のベンチマークでの実証結果では、3.1-5.8%が一貫したパフォーマンス向上を示し、計算オーバーヘッドは増大した。
論文 参考訳（メタデータ） (2025-09-26T07:46:30Z) - Probing Vision-Language Understanding through the Visual Entailment Task: promises and pitfalls [0.10923877073891446]
本研究では、マルチモーダル言語モデルにおける視覚言語理解の信頼性調査として、視覚的エンタテインメントタスクが果たす役割について検討する。
ゼロショット、少数ショット、微調整の設定で実験を行い、プロンプトデザインなどの要因がVEのパフォーマンスに与える影響について検討する。
微細チューニングは強い結果をもたらし、E-SNLI-VEデータセットで83.3%の精度を達成し、最先端のOFA-Xモデルを上回っている。
論文 参考訳（メタデータ） (2025-07-23T12:46:51Z) - MagiC: Evaluating Multimodal Cognition Toward Grounded Visual Reasoning [15.17428354380373]
我々は,マルチモーダル認知を評価するための総合的なベンチマークであるMagiCを紹介する。
我々は,最終回答正当性,推論妥当性,接地忠実度,自己補正能力の4次元にわたる7Bから70Bパラメータを含む15の視覚言語モデルを評価する。
論文 参考訳（メタデータ） (2025-07-09T21:44:12Z) - VisionReasoner: Unified Reasoning-Integrated Visual Perception via Reinforcement Learning [56.99825489208698]
複数の視覚知覚タスクの推論と解決が可能な統合フレームワークであるVisionReasonerを紹介する。
VisionReasonerは、視覚的な入力を分析するための推論機能を強化し、統一モデル内の様々な知覚タスクに対処する。
VisionReasonerは、検出、セグメンテーション、カウントという3つの重要な領域にまたがる10のタスクに対して評価する。
論文 参考訳（メタデータ） (2025-05-17T16:51:47Z) - Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing [84.16442052968615]
RISEBenchはReasoning-Informed ViSual Editing (RISE)の最初のベンチマークである。
RISEBenchは、時間、因果、空間、論理的推論の4つの主要な推論カテゴリに焦点を当てている。
オープンソースモデルとプロプライエタリモデルの両方を含む,9つの目立った視覚編集モデルを評価する実験を行った。
論文 参考訳（メタデータ） (2025-04-03T17:59:56Z)
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。