論文の概要: Multi-Agent Target-Existence Verification and Learned Mask Geometry Refinement: Winning Report of the MeViS-Text Track at the 8th LSVOS Challenge 2026

• arxiv url: http://arxiv.org/abs/2608.11458v1
• Date: Tue, 11 Aug 2026 21:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.392571
• Title: Multi-Agent Target-Existence Verification and Learned Mask Geometry Refinement: Winning Report of the MeViS-Text Track at the 8th LSVOS Challenge 2026
• Title（参考訳）: マルチエージェント・ターゲット-存在検証と学習マスク幾何微細化:第8回LSVOSチャレンジ2026におけるMeViS-Textトラックの勝利報告
• Abstract要約: 本稿では,第8回LSVOSチャレンジ2026におけるMeViS-Textトラックへの第1位ソリューションを提案する。 偽りの非ターゲット表現を含む、手書きの動作表現でガイドされるビデオオブジェクトのセグメンテーションを参照すること。 我々のパイプラインであるSSUPERは、各表現を視覚概念に分解し、SAM3.1でフルビデオ候補マスクレットを生成し、ターゲットIDを選択する。
• 参考スコア（独自算出の注目度）: 0.6416429054645992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first-place solution to the MeViS-Text track of the 8th Large-scale Video Object Segmentation (LSVOS) Challenge 2026: referring video object segmentation guided by written motion expressions, including deceptive no-target expressions that match no object in the video and must yield empty masks in every frame. Our pipeline, SSUPER, resolves each expression into a visual concept, generates full-video candidate masklets with SAM~3.1, and selects target IDs. At every reasoning stage, three heterogeneous multimodal large language models independently execute the same stage-specific prompt before a single synthesis pass commits one schema-validated verdict. Although this system rejects every no-target expression in validation, the leaderboard reveals that a substantial share of test no-target cases still slips through. The reason is that hard negatives name a plausible object and fail only under the complete temporal predicate, so when selection and existence are decided together, a category-plausible masklet anchors the verdict. Hence, we decouple existence verification into an independent multi-agent audit of the full predicate (category, count, action, trajectory, event order, and semantic role) that distinguishes absence from temporary invisibility, discounts apparent motion caused by camera movement, and requires contradicting evidence rather than mere uncertainty for a no-target verdict. Without any new segmentation call, this audit recovers most of the residual no-target errors. A training-data-only StyleRefiner then aligns mask geometry with the annotation style of MeViSv2 while preserving every presence decision by construction, showing that once the semantics are fixed, part of the remaining error is stylistic rather than semantic. The complete system reaches a Final score of 0.9081339614 on the official challenge leaderboard.
• Abstract（参考訳）: 我々は,第8回大規模ビデオオブジェクトセグメンテーション(LSVOS)チャレンジ2026のMeViS-Textトラックに対する第1位の解決策を提示する。 我々のパイプラインであるSSUPERは、各表現を視覚概念に分解し、SAM~3.1のフルビデオ候補マスクレットを生成し、ターゲットIDを選択する。 あらゆる推論段階において、3つの異種マルチモーダル言語モデルが独立して同じステージ固有のプロンプトを実行し、単一の合成が1つのスキーマ検証をコミットする。 このシステムは、バリデーションにおいてターゲットなしのすべての表現を拒否するが、リーダーボードは、ターゲットなしのケースのかなりの割合がまだ抜けていることを明らかにしている。 理由は、強陰性が可算対象と名付け、完全な時間述語の下でのみ失敗するため、選択と存在が一緒に決定されると、カテゴリー証明可能な仮面が判定をアンカーするからである。 そこで我々は,その存在検証を,一時的不可視性から区別し,カメラの動きによる明らかな動きを減らし,不確実性よりも矛盾する証拠を必要とする完全述語(カテゴリー,カウント,アクション,軌道,イベント順序,セマンティックロール)の独立したマルチエージェント監査に分離する。 新しいセグメンテーションコールがなければ、この監査は未ターゲットエラーの大部分を回復する。 トレーニングデータのみのStyleRefinerは、マスク幾何学とMeViSv2のアノテーションスタイルを一致させ、構成によるすべての存在決定を保存し、セマンティクスが修正されると、残りのエラーの一部がセマンティクスではなくスタイリスティックになることを示す。 最終スコアは0.9081339614。

関連論文リスト

• Report of the 8th LSVOS Challenge: Complex and Multimodal Video Object Segmentation [123.08518673784818]
  本報告では,ECCV 2026とともに開催された第8回大規模ビデオオブジェクト(LSVOS)チャレンジを要約する。 この課題は、MOSEv2上の複雑な半教師付きビデオオブジェクトセグメンテーション、MeViSv2-Text上のテキスト誘導参照ビデオオブジェクトセグメンテーション、MeViSv2-Audioにおけるオーディオ誘導参照ビデオオブジェクトセグメンテーションの3つの相補的な設定でビデオセグメンテーションを評価する。
  論文  参考訳（メタデータ） (2026-09-05T13:11:38Z)
• ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation [36.94429692322632]
  本研究では,インスタンス追跡と意味発見のためのテキストプロンプタブルなENEASを提案する。 我々は、以前は点間相互作用に限られていた幾何学的に堅牢なSeCアーキテクチャをテキストプロンプトアダプタで拡張する。 検証層は、条件付きVLM精製と高速な視覚埋め込みマッチングを組み合わせ、曖昧な候補に対してのみ意味推論を誘発する。
  論文  参考訳（メタデータ） (2026-09-03T12:25:26Z)
• Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning [56.17582599802973]
  本稿では,MMLVE(Multi-Instruction Multi-Shot Long-Video Editing)タスクを紹介する。 これら3つの課題に対処するために,Large Language Models (LLM) と Vision-Language Models (VLM) を活用したエージェント編集フレームワークを導入する。 我々のMMLVE-Agentは、既存のクローズドソースSOTAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2026-08-27T08:48:13Z)
• Competitive Memory Readout for Robust Video Object Segmentation: 2nd Place Technical Report for the MOSEv2 Track of the 8th LSVOS Challenge [51.15679610275694]
  我々は,第8回大規模ビデオオブジェクト(LSVOS)チャレンジをECCV 2026で開催する。 この課題は、複雑な時間的ダイナミクスの下で、ロバストなビデオオブジェクトセグメンテーションを評価する。 本手法はSAM3上に構築され,メモリの読み出しに重点を置いている。
  論文  参考訳（メタデータ） (2026-08-22T18:09:51Z)
• Better, Stronger, Faster, and Broader: Structured All-Mask Prediction for MLLM-Based Segmentation [10.813064862132379]
  STAMPは、強い参照と推論のセグメンテーションと、保存されたマルチモーダル能力と効率的な推論を組み合わせる。 明示的なIDとオプションボックスを持つターゲットリストを生成し、これらのIDを共有のマルチクラスマスク空間にバインドし、1つの非自己回帰パスですべてのターゲットを共同で予測する。 単一の統一されたチェックポイントは、STAMPの参照と推論能力を維持しながら、オープン語彙セマンティクス、インスタンス認識、リモートセンシングされた小さなターゲットセグメンテーションに拡張する。
  論文  参考訳（メタデータ） (2026-08-03T18:42:11Z)
• A Shared Latent for Partially-Labeled Multi-Task Facial Affect Recognition [9.736740880077823]
  部分的にラベル付けされたマルチタスク学習は、共有された影響の潜伏者に対する疎外化であることを示す。 s-Aff-Wild2では、フレームのわずか37%が3つのラベル全てを担っているが、これらのクラスは極めて不均衡である。 各タスクのソースが評価分割で選択されると、組み立て結果が報告される。
  論文  参考訳（メタデータ） (2026-07-11T04:55:12Z)
• CompassAD: Intent-Driven 3D Affordance Grounding in Functionally Competing Objects [23.801781337960914]
  現実世界のシーンでは、複数のオブジェクトが同じ余裕を共有することがあるが、与えられたタスクコンテキストの下で適切なのは1つだけである。 Intent-Driven Instructions の下で,マルチオブジェクトアフォーマンスグラウンドを定式化する。 我々は,マルチオブジェクトシーンの暗黙的意図に着目した最初のベンチマークであるCompassADを構築した。
  論文  参考訳（メタデータ） (2026-04-02T13:57:01Z)
• The 1st Winner for 5th PVUW MeViS-Text Challenge: Strong MLLMs Meet SAM3 for Referring Video Object Segmentation [65.24213788883016]
  本報告では,第5回PVUW MeViS-Text Challengeの優勝ソリューションについて述べる。 私たちは、強力なマルチモーダルな大規模言語モデルとSAM3を組み合わせた、完全にトレーニング不要なパイプラインを構築しています。 我々の手法はPVUW 2026 MeViS-Textテストセットで第1位であり、最終スコアは0.909064、J&Fスコアは0.7897026である。
  論文  参考訳（メタデータ） (2026-04-01T02:42:30Z)
• More Than Sum of Its Parts: Deciphering Intent Shifts in Multimodal Hate Speech Detection [49.07221734365168]
  ソーシャルメディア上でのヘイトスピーチは、サイバースペースの確保には不可欠だが、自動検出システムに大きく依存している。 我々は、モダリティが相互作用する意味的意図変化を特徴付け、良心的憎悪から暗黙的憎悪を構築するか、意味的逆転を通じて毒性を中和する。 本稿では,これらの複雑な手がかりを効果的に解読するために,裁判所エージェントによる非対称推論(Asymmetric Reasoning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-22T15:46:23Z)
• Polysemous Language Gaussian Splatting via Matching-based Mask Lifting [16.769952481766445]
  MUSplatは、機能の最適化を完全に放棄した、トレーニング不要のフレームワークである。 パイプラインは多粒性2Dマスクを3次元に生成し,各ガウス点に対する前景確率を推定し,初期対象群を形成する。 次に、これらの初期群のあいまいな境界を意味エントロピーと幾何学的不透明度を用いて最適化する。
  論文  参考訳（メタデータ） (2025-09-26T11:38:05Z)
• A Simple yet Powerful Instance-Aware Prompting Framework for Training-free Camouflaged Object Segmentation [6.712332323439369]
  タスクジェネリックプロンプトをきめ細かなインスタンスマスクに明示的に変換する,トレーニング不要なCamouflaged Objectパイプラインを提案する。 提案したIAPFは、既存の最先端のトレーニングフリーなCOSメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-08-09T09:35:32Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• Pluralistic Salient Object Detection [108.74650817891984]
  本稿では,与えられた入力画像に対して,複数の有意な有意な有意な有意な有意な有意な分割結果を生成することを目的とした新しい課題であるPSOD(multiistic Salient Object Detection)を紹介する。 新たに設計された評価指標とともに,2つのSODデータセット "DUTS-MM" と "DUS-MQ" を提案する。
  論文  参考訳（メタデータ） (2024-09-04T01:38:37Z)
• PartFormer: Awakening Latent Diverse Representation from Vision Transformer for Object Re-Identification [73.64560354556498]
  Vision Transformer (ViT) は、ほとんどの異なる訓練データ領域に過度に適合する傾向にあり、その一般化性と全体的対象特徴への注意が制限される。 本稿では、オブジェクトRe-IDタスクの制限を克服するために設計された、ViTの革新的な適応であるPartFormerを紹介する。 我々のフレームワークは、最も困難なMSMT17データセットにおいて、最先端の2.4%のmAPスコアを著しく上回る。
  論文  参考訳（メタデータ） (2024-08-29T16:31:05Z)
• Self-Supervised Scene De-occlusion [186.89979151728636]
  本稿では,隠蔽対象の隠蔽順序を復元し,隠蔽対象の見えない部分を完成させることを目的としたシーン非隠蔽問題について検討する。 そこで本研究では,隠されたシーン構造を監視対象として指示やアモーダルアノテーションを使わずに復元する,新規で統一的なフレームワークを用いて,この問題に対処する試みを行う。 そこで,PCNet-M と PCNet-C をベースとして,プログレッシブ・オーダリング・リカバリ,アモーダル・コンプリーメント,コンテント・コンプリートを通じてシーン・デオクルージョンを実現する新しい推論手法を考案した。
  論文  参考訳（メタデータ） (2020-04-06T16:31:11Z)

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。