論文の概要: Better Slots, Better Worlds: Representation Quality & Robustness in Object-Centric World Models
- arxiv url: http://arxiv.org/abs/2608.12078v1
- Date: Wed, 12 Aug 2026 14:02:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.598715
- Title: Better Slots, Better Worlds: Representation Quality & Robustness in Object-Centric World Models
- Title（参考訳）: より良いスロットとより良い世界: オブジェクト中心の世界モデルにおける表現品質とロバスト性
- Abstract要約: 2つの軸に沿った視覚モデル予測制御のためのオブジェクト中心表現について検討する。
計画の成功は、教師なしのスロット品質指標と正の相関関係がある。
十分にバウンドなスロットを持つOCWMは、エンドツーエンドのトレーニングされたシーン中心のLeWMよりも全体として堅牢である。
- 参考スコア（独自算出の注目度）: 23.539029560904968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning world models from offline trajectories enables agents to accomplish different tasks through planning. Object-centric (OC) representations, which decompose a scene into a set of slots that bind to its objects, have been proposed as an inductive bias for world models that are more sample-efficient and generalize better. Yet prior object-centric world models (OCWMs) take the slot encoder as given and evaluate only in-distribution, leaving open whether the object-centric bias actually delivers for planning and what within the OCWM drives it. We conduct a controlled study of OCWMs for visual model-predictive control along two axes: object-centric representation quality and generalization under distribution shift relative to scene-centric models. We find that (i) planning success correlates positively with unsupervised slot-quality metrics (FG-ARI, mBO), though the gains saturate at high slot quality; (ii) with well-bound slots, the auxiliary proprioception inputs and masking inductive bias that prior methods relied on become unnecessary; and (iii) under unseen distribution shifts, the OCWM with well-bound slots is more robust overall than the end-to-end trained scene-centric LeWM, while DINO-WM, built on similar frozen pretrained features, remains competitive -- pointing to pretrained features as a key contributor to robustness.
- Abstract（参考訳）: オフラインの軌道から世界モデルを学ぶことで、エージェントは計画を通じてさまざまなタスクを達成できる。
オブジェクト中心(OC)表現は、シーンをそのオブジェクトに結合するスロットの集合に分解し、よりサンプリング効率が高く、より一般化された世界モデルの帰納バイアスとして提案されている。
しかし、以前のオブジェクト指向世界モデル(OCWMs)は、スロットエンコーダを与えられたように受け取り、分布内でのみ評価し、オブジェクト中心のバイアスが実際に計画のために提供し、OCWMの内部がそれを駆動するかどうかをオープンにする。
我々は2つの軸に沿った視覚モデル予測制御のためのOCWMの制御された研究を行う。
私たちはそれを見つける。
(i)計画成功は、高いスロット品質で利得が飽和するにもかかわらず、教師なしのスロット品質指標(FG-ARI, mBO)と正に相関する。
(二) 前者の方法に頼っていた補助受容器入力及びマスキング誘導バイアスが不要となること。
一方、DINO-WMは、同様の凍結した事前訓練された機能に基づいて構築されており、前もってトレーニングされた機能を堅牢性の主要な要因として挙げている。
関連論文リスト
- Flow Matching in Feature Space for Stochastic World Modeling [21.159664319255665]
本研究では,事前学習した特徴空間内で直接フローマッチングを行う世界モデルであるFlowWMを提案する。
事前訓練された特徴はかなり高次元であり、標準的な拡散レシピが最適ではないため、これは難しい。
FlowWMを2つのベンチマークで評価する: 精度と多様性の体系的評価のための総合ベンチマークと、現実のベンチマークFuturePerceptionである。
論文 参考訳（メタデータ） (2026-06-27T19:35:27Z) - Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - Back to Parsimonious Latents: Learning Task-Centric World Models from Visual Foundations [35.521396983843864]
本稿では,基礎モデル埋め込みをコンパクトでタスクに適した世界表現に変換するためのフレームワークを提案する。
TC-WM は、動的空間としてコンパクトなラテントに高次元の視覚的埋め込みを射影する。
TC-WMは、タスク中心の潜在要因を単純な変換まで特定するのに十分であることを示す。
論文 参考訳（メタデータ） (2026-05-25T09:21:43Z) - Slot-MPC: Goal-Conditioned Model Predictive Control with Object-Centric Representations [16.513260843365902]
Slot-MPCは、モデル予測制御による計画を可能にするオブジェクト中心の世界モデリングフレームワークである。
Slot-MPCは,非対象中心の世界モデルベースラインに比べてタスク性能と計画効率を向上することを示す。
この結果は、明示的に構造化されたオブジェクト中心の表現が、制御可能で一般化可能な意思決定に強い帰納的バイアスをもたらすことを示す。
論文 参考訳（メタデータ） (2026-05-14T15:12:15Z) - World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。
本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
論文 参考訳（メタデータ） (2026-04-02T12:48:36Z) - A Data-Centric Revisit of Pre-Trained Vision Models for Robot Learning [67.72413262980272]
事前訓練された視覚モデル(PVM)は現代のロボティクスの基本であるが、その最適構成は定かではない。
セマンティック・ボトルネックを導入してオブジェクト中心の表現を誘導する手法であるSlotMIMを開発した。
提案手法は,画像認識,シーン理解,ロボット学習評価において,従来の作業よりも大幅に改善されている。
論文 参考訳（メタデータ） (2025-03-10T06:18:31Z) - PointOBB-v3: Expanding Performance Boundaries of Single Point-Supervised Oriented Object Detection [65.84604846389624]
我々は,より強力な単一点制御OODフレームワークであるPointOBB-v3を提案する。
追加のプリミティブなしで擬似回転ボックスを生成し、エンドツーエンドのパラダイムをサポートする。
本手法は従来の最先端手法と比較して3.56%の精度向上を実現している。
論文 参考訳（メタデータ） (2025-01-23T18:18:15Z) - Lite Unified Modeling for Discriminative Reading Comprehension [68.39862736200045]
本稿では,多様な差別的MRCタスクを同期的に扱うために,POS強化反復協調ネットワーク(POI-Net)を提案する。
私たちのライト統一設計は、エンコーダコンポーネントとデコーダコンポーネントの両方で、モデルに大きな改善をもたらします。
4つの識別的MCCベンチマークによる評価結果から,本モデルの有効性と適用性について一貫した評価結果を得た。
論文 参考訳（メタデータ） (2022-03-26T15:47:19Z) - Input-Output Balanced Framework for Long-tailed LiDAR Semantic
Segmentation [12.639524717464509]
本稿では,ロングテール分布の問題を扱うための入出力バランスフレームワークを提案する。
入力空間に対して、メッシュモデルからこれらのテールインスタンスを合成し、LiDARスキャンの位置と密度分布をうまくシミュレートする。
出力空間に対して, 形状と実例量に基づいて, 異なるカテゴリをグループ化するマルチヘッドブロックを提案する。
論文 参考訳（メタデータ） (2021-03-26T05:42:11Z) - Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。
Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。
大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文 参考訳（メタデータ） (2020-06-15T22:22:56Z)
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。