論文の概要: SCOUT: Unlocking Enhanced Spatial Reasoning via Structured Chain-of-Thought and Multi-Objective Process Reward
- arxiv url: http://arxiv.org/abs/2608.12220v1
- Date: Wed, 12 Aug 2026 16:14:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.634569
- Title: SCOUT: Unlocking Enhanced Spatial Reasoning via Structured Chain-of-Thought and Multi-Objective Process Reward
- Title（参考訳）: SCOUT:Structured Chain-of-ThoughtとMulti-Objective Process Rewardによる空間推論のアンロック
- Abstract要約: 既存の視覚言語モデル(VLM)は、頑健な空間的推論において重要なボトルネックを示す。
SCOUTは3次元環境知覚を明示的にモデル化する構造的チェーン・オブ・サートフレームワークである。
また,多目的プロセス報酬と最適化された利点推定手法を特徴とする新しいRLアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 31.36854122174582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing Vision-Language Models (VLMs) exhibits a critical bottleneck in robust spatial reasoning. Recent reinforcement learning (RL) methods aim to close this gap with verifiable outcomes, yet they suffer from poor credit assignment across intermediate reasoning steps. Concurrently, structured reasoning approaches overlook the critical depth perception necessary for comprehensive 3D understanding. To address these challenges, we propose SCOUT (Structured Chain-Of-Thought Utilizing Process-Supervised RL Training). Specifically, we design a structured Chain-of-Thought (CoT) framework that explicitly models 3D environmental perception to ensure robust spatial understanding and reasoning. Furthermore, we introduce a novel RL algorithm featuring multi-objective process rewards and a tailored advantage estimation method, facilitating fine-grained credit assignment across distinct segments of the reasoning trajectory. To support our framework, we develop SCOUT-24k, a structured spatial reasoning CoT dataset synthesized through a customized pipeline. Extensive evaluations demonstrate that SCOUT-3B improves upon baseline models by 16.85% and 6.3% on general spatial benchmarks and complex spatial reasoning tasks respectively. Notably, our larger SCOUT-7B even outperforms GPT-4o by a margin of 4.28%. Moreover, despite being trained exclusively on single image, SCOUT-7B exhibits robust out-of-domain generalization to multi-image and video scenarios. These empirical results render SCOUT as a critical step towards next generation of spatially-aware VLMs.
- Abstract（参考訳）: 既存の視覚言語モデル(VLM)は、頑健な空間的推論において重要なボトルネックを示す。
近年の強化学習 (RL) 手法は, 検証結果とのギャップを埋めることを目的としている。
同時に、構造化推論アプローチは、包括的3次元理解に必要な臨界深度知覚を見落としている。
SCOUT(Structured Chain-Of-Thought Using Process-Supervised RL Training)を提案する。
具体的には,空間的理解と推論の堅牢性を確保するために,3次元環境認識を明示的にモデル化する構造化Chain-of-Thought(CoT)フレームワークを設計する。
さらに,多目的プロセス報酬を特徴とする新しいRLアルゴリズムを提案する。
フレームワークをサポートするために、カスタマイズされたパイプラインを通して合成された構造化空間推論CoTデータセットであるSCOUT-24kを開発した。
SCOUT-3Bは、それぞれ一般的な空間ベンチマークと複雑な空間推論タスクで16.85%と6.3%のベースラインモデルを改善する。
特に、より大型のSCOUT-7BはGPT-4oよりも4.28%優れています。
さらに、SCOUT-7Bは、単一のイメージにのみ訓練されているにもかかわらず、マルチイメージやビデオシナリオへの堅牢なドメイン外の一般化を示す。
これらの実験結果からSCOUTは次世代の空間認識型VLMに向けた重要なステップとなる。
関連論文リスト
- Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning [63.07529952817935]
視覚言語モデル(VLM)は2次元投影を解釈するために訓練されているが、真の空間的推論は潜時的な3次元幾何学と時間的連続性の回復を要求する。
本稿では,視覚的投影によって崩壊した次元を明示的に解釈する因子強化学習フレームワークであるFactoSRを提案する。
論文 参考訳（メタデータ） (2026-09-03T12:01:02Z) - Reinforcing Dual-Path Reasoning in Spatial Vision Language Models [113.86271063627782]
本稿では,空間的VLMにLOR(Language-Only Reasoning)とDTR(Detect-Then-Reason)の2つの相補的推論経路を持つ統一的なフレームワークを提案する。
様々な空間ベンチマークにおいて、SR-REALは空間的VLMベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-06-16T05:32:39Z) - A Persistent Homology Design Space for 3D Point Cloud Deep Learning [5.810033007426438]
Persistent Homology (PH)は、本質的な形状の安定なマルチスケール記述子を提供する。
強力な理論的保証と経験的採用の増大にもかかわらず、ポイントクラウドのためのディープラーニングへの統合は、概してアドホックであり、アーキテクチャ的にも周辺的である。
本研究では,3次元点群における永続-ホモロジー駆動学習のための統一設計空間を提案する。
論文 参考訳（メタデータ） (2026-04-05T22:38:37Z) - SSR: Pushing the Limit of Spatial Intelligence with Structured Scene Reasoning [30.87517633729756]
SSRはStructured Scene Reasoning用に設計されたフレームワークである。
軽量アライメント機構によって2Dと3Dの表現をシームレスに統合する。
複数の空間インテリジェンスベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-28T02:05:35Z) - Video Spatial Reasoning with Object-Centric 3D Rollout [58.12446467377404]
我々は,ロバストなビデオ空間推論を実現するために,OCR(Object-Centric 3D Rollout)を提案する。
OCRは、トレーニング中に選択した物体の3次元形状に構造的摂動を導入する。
OCRはモデルを補完し、全体にわたって論理的にソートする。
論文 参考訳（メタデータ） (2025-11-17T09:53:41Z) - SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models [73.19077622773075]
本稿では,空間知能を段階的に構築するための包括的方法論を提案する。
オブジェクトローカライゼーション、単一画像、マルチビュー、ビデオ空間推論タスクにまたがる26,610のサンプルを含むマルチモーダルデータセットであるSpatialLadder-26kを紹介する。
本研究では,物体の局所化による空間知覚の確立,多次元空間的タスクによる空間理解の発達,および検証可能な報酬を用いた強化学習による複雑な推論の強化を目的とした3段階のプログレッシブ・トレーニング・フレームワークを設計する。
論文 参考訳（メタデータ） (2025-10-09T17:50:54Z) - ViewSpatial-Bench: Evaluating Multi-perspective Spatial Localization in Vision-Language Models [68.46716645478661]
視覚言語モデル (VLM) は視覚的内容の理解と推論において顕著な能力を示した。
現在のVLMは、主に自我中心の空間的推論(カメラの観点から)に優れるが、同中心の視点に一般化することができない。
マルチ視点空間位置認識評価に特化して設計された,初の総合的なベンチマークであるViewSpatial-Benchを紹介する。
論文 参考訳（メタデータ） (2025-05-27T17:59:26Z) - Elucidating the Design Space of Multimodal Protein Language Models [69.3650883370033]
マルチモーダルタンパク質言語モデル(PLM)は、シーケンスとトークンに基づく構造情報を統合する。
本稿では,マルチモーダルPLMの設計空間を体系的に解明し,その限界を克服する。
我々の進歩はよりきめ細かな監督にアプローチし、トークンベースのマルチモーダルPLMが堅牢な構造モデリングを実現することを実証する。
論文 参考訳（メタデータ） (2025-04-15T17:59:43Z) - SEER: Facilitating Structured Reasoning and Explanation via Reinforcement Learning [29.514755268807868]
構造的推論と説明を容易にする構造的回帰を最大化する新しい手法であるSEERを提案する。
提案手法は構造的推論に固有の階層構造と分岐構造を正確に記述する。
実験の結果,SEERは最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-01-24T06:10:51Z)
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。