論文の概要: EAGLE-360: Embodied Active Global-to-Local Exploration in 360$^\circ$

• arxiv url: http://arxiv.org/abs/2607.02479v1
• Date: Thu, 02 Jul 2026 17:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.957213
• Title: EAGLE-360: Embodied Active Global-to-Local Exploration in 360$^\circ$
• Title（参考訳）: EAGLE-360: 360$^\circ$での活発なグローバル・ローカル探査
• Abstract要約: 本研究では,360ドル周のビジュアルサーチのためのEmbodied Active Global-to-Local Explorationフレームワークを提案する。 14,000以上のパノラマと70,000回以上の高品質なVQA対話からなる大規模データセットを構築した。 実験により、このフレームワークはベースモデルよりも精度が8倍近く向上していることが示された。
• 参考スコア（独自算出の注目度）: 25.40870252692496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Multimodal Large Language Models (MLLMs) have demonstrated exceptional capabilities in standard visual understanding, adapting them for active visual search in 360$^\circ$ panoramic environments exposes fundamental limitations. Specifically, standard MLLMs struggle to effectively model inherent panoramic properties, such as severe polar distortion and continuous cylindrical topologies, which significantly degrades target detection accuracy. Consequently, existing panoramic search methods attempt to compensate by relying heavily on fragmented local viewpoints. Burdened by rigid initialization and a lack of global panoramic priors, these approaches suffer from myopic, inefficient exploration and struggle with robust error recovery when targets are out of view. To overcome these challenges, we propose EAGLE-360, a novel Embodied Active Global-to-Local Exploration framework. Rather than performing exhaustive local searches, EAGLE-360 leverages global priors to establish an initial holistic perspective, iteratively reasoning and progressively narrowing the search space. Architecturally, we adapt RoPE Rolling, a coordinate-shifting positional encoding mechanism, to seamlessly model the continuous topologies of panoramas. To facilitate this paradigm, we construct the large-scale EAGLE-360 dataset, comprising 14,000+ 4K panoramas and 70,000+ rounds of high-quality VQA dialogues. By employing a training pipeline that integrates Supervised Fine-Tuning (SFT) with Group Relative Policy Optimization (GRPO), we effectively elicit complex spatial reasoning and tool-calling capabilities. Extensive experiments demonstrate that EAGLE-360 establishes a new state-of-the-art for 360$^\circ$ visual search, achieving nearly an 8-fold increase in accuracy over the base model while significantly enhancing exploration efficiency.
• Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、標準的な視覚的理解において例外的な機能を示す一方で、360$^\circ$パノラマ環境での視覚的検索に適応することで、基本的な制限を明らかにしている。 具体的には、標準MLLMは、厳しい極歪みや連続的な筒状トポロジーなどのパノラマ特性を効果的にモデル化し、ターゲット検出精度を著しく低下させる。 その結果、既存のパノラマ探索法は、断片化された局所的な視点に大きく依存することで補償しようとする。 厳密な初期化と大域的なパノラマ前兆の欠如に悩まされ、これらのアプローチは、心筋症、非効率な探索、ターゲットが見えない場合の堅牢なエラー回復に苦しむ。 これらの課題を克服するために,Embodied Active Global-to-Local ExplorationフレームワークであるEAGLE-360を提案する。 EAGLE-360は、徹底的な局所探索を行うのではなく、グローバルな事前情報を活用して、探索空間を反復的に推論し、徐々に狭めている。 構造的には、座標シフトする位置符号化機構であるRoPE Rollingを採用し、パノラマの連続位相をシームレスにモデル化する。 このパラダイムを実現するために、14,000以上の4Kパノラマと70,000以上の高品質なVQA対話からなる大規模EAGLE-360データセットを構築した。 スーパービジョンファインチューニング(SFT)とグループ相対政策最適化(GRPO)を統合したトレーニングパイプラインを用いることで,複雑な空間推論とツールコール機能を実現する。 大規模な実験により、EAGLE-360は360$^\circ$ビジュアルサーチのための新しい最先端技術を確立し、ベースモデルの精度をほぼ8倍に向上し、探索効率を著しく向上することを示した。

関連論文リスト

• PanoWorld: Real-World Panoramic Generation [68.3569360188378]
  パノワールド(PanoWorld)は、現在の動作モデリングと長距離メモリの両方において、固定方向によるカメラ軌跡の変換を単純化する。 ワールド360の大規模な実験は、パノワールドの有効性を示し、大きなマージンで代替手法を上回った。
  論文  参考訳（メタデータ） (2026-07-10T17:59:32Z)
• Seek to Segment: Active Perception for Panoramic Referring Segmentation [76.39419654494505]
  既存の参照セグメンテーションモデルは、固定された視点からキャプチャされた静的イメージを受動的に処理する。 能動パノラマ参照のためのメモリ拡張エージェントであるPanoSeekerを提案する。 新たに確立したAPRSベンチマーク実験により、PanoSeekerはより優れた探索効率とセグメンテーション精度を実現することが示された。
  論文  参考訳（メタデータ） (2026-07-02T17:56:49Z)
• OmniCoT: A Benchmark for Global and Multi-Step Panoramic Reasoning [94.47284498900895]
  OmniCoTは,MLLMがグローバルなエビデンスを利用し,視点を越えて多段階の推論を行うことを可能にするパノラマ空間推論スイートである。 トレーニングのためにOmniCoT-Tは、パノラマ的な証拠に中間推論ステップを明示的にリンクする、構造化された段階的なChain-of-Thoughtアノテーションで構築されている。
  論文  参考訳（メタデータ） (2026-06-29T14:38:20Z)
• Panoramic Affordance Prediction [94.50813972018504]
  順応予測は、具体化されたAIにおける知覚と行動の間に重要な橋渡しとなる。 本研究では,360度画像を用いたパノラマ精度予測法について紹介する。 本研究では,ヒトの胎児の視覚系に触発されたトレーニング不要で粗いパイプラインであるPAPを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:21:49Z)
• PanoAffordanceNet: Towards Holistic Affordance Grounding in 360° Indoor Environments [18.94879808515964]
  我々は,360度屋内環境におけるホロスティック・アフォーマンス・グラウンディングという新しい課題を紹介した。 このタスクは、等角射影(ERP)からの厳密な幾何学的歪み、意味的分散、大規模アライメント困難など、固有の課題に直面している。 我々は、緯度依存キャリブレーションのためのDASM(Distortion-Aware Spectral Modulator)とOmni-Spherical Densification Head(Omni-Spherical Densification Head)を備えたエンドツーエンドフレームワークであるPanoAffordanceNetを提案する。
  論文  参考訳（メタデータ） (2026-03-10T14:58:26Z)
• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• ZoomEarth: Active Perception for Ultra-High-Resolution Geospatial Vision-Language Tasks [49.99788276124186]
  既存の動的解像度とトークンプルーニング法は受動的知覚パラダイムによって制約される。 本稿では,UHR RS処理におけるアクティブな認識に適した大規模ベンチマークデータセット LRS-GRO を提案する。 ZoomEarthは,より詳細なガイダンスを提供する新しい地域誘導報酬を用いた適応的収穫・造粒フレームワークである。
  論文  参考訳（メタデータ） (2025-11-15T15:47:46Z)
• Omnidirectional Spatial Modeling from Correlated Panoramas [4.75637997496421]
  既存の全方位法は、フレーム間の相関したパノラマを無視しながら、単一のフレーム内でシーン理解を実現する。 textbfCFpanoは、フレーム間の相関したパノラマの視覚的質問応答に特化した、textbf Firstベンチマークデータセットである。 本稿では,マルチモーダル大言語モデル (MLLM) とグループ相対政策最適化 (GRPO) を微調整したメソッド名と,クロスフレーム相関パノラマを用いた頑健で一貫した推論のための一組の報酬関数を提案する。
  論文  参考訳（メタデータ） (2025-09-02T10:14:55Z)
• ACT360: An Efficient 360-Degree Action Detection and Summarization Framework for Mission-Critical Training and Debriefing [3.781421673607643]
  ACT360は、360度ビデオと機械学習を利用して、自動アクション検出と構造化リーフを行うシステムである。 ACT360は、拡張されたYou Only Watch Once (YOWO)モデルである360YOWOを統合し、空間的注意と等方形認識畳み込み(EAC)によりパノラマビデオの歪みを緩和する。 55のラベル付き360度ビデオの公開データセットに対して,我々のアプローチを検証した。
  論文  参考訳（メタデータ） (2025-03-17T06:12:36Z)
• Centralized Feature Pyramid for Object Detection [53.501796194901964]
  視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。 本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
  論文  参考訳（メタデータ） (2022-10-05T08:32:54Z)

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。