論文の概要: SpatialQuery: Benchmarking Geometry-Grounded Multi-Instance Spatial Reasoning in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.01709v1
• Date: Mon, 03 Aug 2026 05:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.332663
• Title: SpatialQuery: Benchmarking Geometry-Grounded Multi-Instance Spatial Reasoning in Vision-Language Models
• Title（参考訳）: 空間問合せ:視覚言語モデルにおける幾何を取り巻くマルチインスタンス空間推論のベンチマーク
• Abstract要約: VLM(Vision-Thought Model)は、強い意味理解を実現するが、計量空間的推論では信頼できない。 本稿では,単一RGB画像からのCIDQ推論のためのトレーニングフリーフレームワークであるSPATIALQUERYを紹介する。 本研究では,Qwen3-VL-8Bを用いたSPATIALQUERYにおいて,Floor-MAEが0.259m,Unc-Acc@0.3mが90.5%,近接精度が84.18%となることを示す。
• 参考スコア（独自算出の注目度）: 6.150970359045875
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language models (VLMs) achieve strong semantic understanding but remain unreliable in metric spatial reasoning, particularly when queries require comparing multiple instances of the same object category. We study this problem through the Closest-Instance Distance Query (CIDQ), where a model must identify the nearest visible candidate to a unique reference object and estimate their gravity-aligned floor-plane distance. We introduce SPATIALQUERY, a training- free framework for CIDQ reasoning from a single RGB image, together with SPATIALQUERY-1M, a benchmark containing over one million RGB-only question-answer pairs from 200 indoor scenes. SPATIALQUERY recovers instance-level metric geometry and transforms it into a canonical Bird's-Eye View through Scene Cubifying, which represents objects as uniformly sized, category-coded blocks to emphasize their relative floor- plane locations. We further propose Uncertainty-Aware Chain-of-Thought (UA-CoT) prompting, which incorporates geometry- derived per-instance uncertainty into the VLM reasoning process. Without task-specific fine-tuning or architectural modification, SPATIALQUERY with Qwen3-VL-8B achieves a Floor-MAE of 0.259 m, an Unc-Acc@0.3 m of 90.5%, and a proximity-decision accuracy of 84.18%, outperforming fine-tuned spatial specialists, general-purpose VLMs, and closed-source frontier models. Code, benchmark resources, and an interactive demo are available at https://namhai1810.github.io/SpatialQuery/.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、強い意味理解を実現するが、特にクエリが同じオブジェクトカテゴリの複数のインスタンスを比較する必要がある場合、計量空間的推論では信頼性が低い。 CIDQ(Closest-Instance Distance Query)では,モデルが一意な参照対象に対して最も近い可視な候補を識別し,それらの重心関係のフロアプレーン距離を推定しなければならない。 1つのRGB画像からCIDQを推論するトレーニングフリーフレームワークであるSPATIALQUERYと200の屋内シーンから100万以上のRGBのみの質問応答ペアを含むベンチマークであるSPATIALQUERY-1Mを紹介する。 SPATIALQUERYはインスタンスレベルのメートル法を復元し、Scene Cubifyingを通して標準的なBird's-Eye Viewに変換する。 さらに,VLM推論プロセスにジオメトリ由来のインスタンス当たりの不確かさを組み込んだ不確実性認識チェーン・オブ・ワット(UA-CoT)プロンプトを提案する。 SPATIALQUERY with Qwen3-VL-8Bはタスク固有の微調整やアーキテクチャの変更なしに0.259mのフロアMAE、Unc-Acc@0.3mの90.5%、近接精度84.18%、微調整された空間スペシャリスト、汎用VLM、クローズドソースフロンティアモデルを実現している。 コード、ベンチマークリソース、インタラクティブなデモはhttps://namhai1810.github.io/SpatialQuery/.comで公開されている。

関連論文リスト

• G$^2$TAM: Geometry Grounded Track Anything Model [49.05553245076823]
  本稿では,RGB画像やビデオのみを用いて,3次元のインスタンス追跡を高速化するための統一的なフレームワークを提案する。 G$2$TAMは空間的に整列した幾何学的表現を暗黙記憶として使用し、安定したインスタンス識別とフレームとビュー間のローカライゼーションを保証する。 中心となるのは、視覚的およびテキスト的プロンプトを共有幾何学空間に統合し、エンドツーエンドの空間再構成とインスタンス一貫性マスク予測を可能にするクロスモーダル空間エンコーダである。
  論文  参考訳（メタデータ） (2026-07-04T09:32:13Z)
• OneViewAll: Semantic Prior Guided One-View 6D Pose Estimation for Novel Objects [31.001161060131622]
  多くの実用的な6Dオブジェクトのポーズ推定シナリオでは、CADモデルなしで、オブジェクトごとに1つの実世界のRGB-D参照ビューしかアクセスできないことが多い。 我々は,新しいプロジェクト・アンド・コンペアパラダイムを用いてポーズ推定を行うセマンティック・プライア・ガイダンス・フレームワークである textbfOneViewAll を提案する。
  論文  参考訳（メタデータ） (2026-05-07T23:11:29Z)
• Spatial Atlas: Compute-Grounded Reasoning for Spatial-Aware Research Agent Benchmarks [1.5229257192293202]
  空間認識型研究エージェントのための計算基底推論(CGR)を導入する。 CGRは空間認識型研究エージェントの設計パラダイムであり、全ての答え可能なサブプロブレムは決定論的計算によって解決される。 我々は,CGRが解釈可能性を維持しながら競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-04-13T22:22:07Z)
• PoseGAM: Robust Unseen Object Pose Estimation via Geometry-Aware Multi-View Reasoning [49.66437612420291]
  PoseGAMは、クエリ画像と複数のテンプレート画像からオブジェクトのポーズを直接予測する幾何学的なマルチビューフレームワークである。 多様な環境条件下で190k以上のオブジェクトを含む大規模合成データセットを構築した。
  論文  参考訳（メタデータ） (2025-12-11T17:29:25Z)
• Video2Layout: Recall and Reconstruct Metric-Grounded Cognitive Map for Spatial Reasoning [19.549136366694572]
  Video2は、ビデオからメートル法で配置された空間レイアウトを再構築するためのフレームワークである。 このフレームワークは、オブジェクト間の物理サイズとオブジェクトサイズを定量化するために、連続的なオブジェクト境界座標を使用する。 我々のモデルであるV2LO-7Bは、グリッドマップで訓練されたモデルよりも平均4.92%向上した。
  論文  参考訳（メタデータ） (2025-11-20T08:57:14Z)
• A Multi-Level Similarity Approach for Single-View Object Grasping: Matching, Planning, and Fine-Tuning [17.162675084829242]
  一つの視点から3つの重要なステップを通して、未知の物体をしっかりと把握する手法を提案する。 本稿では, 意味的, 幾何学的, 次元的特徴を統合し, 包括的評価を行う多層類似性マッチングフレームワークを提案する。 さらに,大規模言語モデルの導入,半指向境界ボックスの導入,平面検出に基づく新たなポイントクラウド登録手法の開発などを行い,単一ビュー条件下でのマッチング精度の向上を図る。
  論文  参考訳（メタデータ） (2025-07-16T06:07:57Z)
• FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
  FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。 このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
  論文  参考訳（メタデータ） (2025-07-10T11:16:48Z)
• Can Multimodal Large Language Models Understand Spatial Relations? [16.76001474065412]
  我々はCOCO 2017をベースとした人間アノテーション付き空間関係推論ベンチマークであるSpatialMQAを紹介する。 その結果、現在の最先端MLLMの精度は48.14%に過ぎず、人間レベルの精度は98.40%をはるかに下回っている。
  論文  参考訳（メタデータ） (2025-05-25T07:37:34Z)
• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。 地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• Coarse Correspondences Boost Spatial-Temporal Reasoning in Multimodal Language Model [51.83436609094658]
  本稿では,2次元画像を入力として,MLLMの時空間推論を強化する軽量な手法である粗対応を導入する。 本手法は,映像のフレーム間や異なる視点における主物体の対応性を特定するために,軽量な追跡モデルを用いている。 この単純なトレーニングフリーアプローチは、4つのベンチマークでGPT4-V/Oに一定の利得をもたらすことを実証する。
  論文  参考訳（メタデータ） (2024-08-01T17:57:12Z)
• Learning Spatial-Semantic Features for Robust Video Object Segmentation [108.045326229865]
  本稿では,空間意味的特徴と識別的オブジェクトクエリを学習する,ロバストなビデオオブジェクトセグメンテーションフレームワークを提案する。 DAVIS 2017 test (textbf87.8%)、YoutubeVOS 2019 (textbf88.1%)、MOSE val (textbf74.0%)、LVOS test (textbf73.0%)を含むベンチマークデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-10T15:36:00Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)

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。