論文の概要: SCVIB: Editable State-Conditioned Visual Instance Binding forMulti-Turn Personalized Localization
- arxiv url: http://arxiv.org/abs/2608.14148v1
- Date: Fri, 14 Aug 2026 09:56:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.345627
- Title: SCVIB: Editable State-Conditioned Visual Instance Binding forMulti-Turn Personalized Localization
- Title（参考訳）: SCVIB:Multi-Turnパーソナライズローカライゼーションのための編集可能な状態記述型ビジュアルインスタンスバインディング
- Abstract要約: 我々は,複数のサポート定義インスタンスをターン毎に導入するマルチターンローカライズ設定である,編集可能な状態条件付きビジュアルインスタンスバインディングを導入する。
この設定をSCVIBとしてインスタンス化し、手動で検証された1,050のベースペアと5つの視覚領域にまたがる1500のエピソードからなる。
直接Seqフリー推論は60.13%のJoint@0.5にしか達せず、最終参照の解決はクエリサイドのローカライゼーションに対応する視覚的エビデンスを効果的に利用しないことを示している。
- 参考スコア（独自算出の注目度）: 3.403013334650533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce editable state-conditioned visual instance binding, a multi-turn localization setting in which several support-defined instances are introduced across turns and protocol-defined state events determine the final target. We instantiate this setting as SCVIB, comprising 1,050 manually verified support--query base pairs and 1,500 episodes spanning five visual domains, three difficulty levels, and four target-state dependency groups. Direct Seq-free inference reaches only 60.13\% Joint@0.5, indicating that resolving the final reference does not ensure effective use of the corresponding visual evidence for query-side localization. We address this gap with TT-VG (Transition-Tree Visual Grounding), which combines a Target-State Transition Tree (TSTT) with Visual Evidence Grounding Adaptation (VEGA). TSTT compiles the visible interaction into protocol-defined events, executes them over versioned target states, and resolves the final-query reference to the corresponding support evidence. Adapted on trajectory-derived same-instance pairs, VEGA performs support-conditioned grounding of the resolved instance using a Visual Evidence Package. TT-VG reaches 70.27\% Joint@0.5; under matched target resolution, VEGA exceeds the strongest comparison method by 16.20 points. Gains over direct inference are largest on Counter-Recency and Rollback, which require routing to non-latest or restored support evidence. Together, these results establish SCVIB as a controlled testbed and highlight the effective use of resolved support evidence for query-side same-instance localization as a central challenge in multi-turn personalized localization.
- Abstract（参考訳）: 我々は,複数のサポート定義インスタンスをターン毎に導入し,プロトコル定義状態イベントが最終ターゲットを決定するマルチターンローカライズ設定である,編集可能な状態条件付きビジュアルインスタンスバインディングを導入する。
SCVIBは,5つの視覚領域,3つの難易度,4つの目標状態依存グループにまたがる,手動で検証されたサポートペア1050と1500のエピソードから構成される。
直接Seqフリー推論は60.13\% Joint@0.5にしか達せず、最終参照の解決はクエリサイドのローカライゼーションに対応する視覚的エビデンスを効果的に利用しないことを示している。
このギャップを、TT-VG(Transition-Tree Visual Grounding)で解決し、TSTT(Target-State Transition Tree)とVEGA(Visual Evidence Grounding Adaptation)を組み合わせた。
TSTTは可視的なインタラクションをプロトコル定義のイベントにコンパイルし、バージョン管理されたターゲット状態上で実行し、対応するサポートエビデンスに対する最終クエリを解決します。
VEGAは、トラジェクトリ由来の同一インスタンスペアに適応し、Visual Evidence Packageを使用して、解決されたインスタンスのサポート条件付きグラウンドを実行する。
TT-VGは70.27\%のジョイント@0.5に達し、一致した目標解像度ではVEGAは16.20ポイントの最も強い比較法を超える。
直接推論に関する利得は、非最新または復元されたサポートエビデンスへのルーティングを必要とするCounter-RecencyとRollbackで最大である。
これらの結果はSCVIBを制御テストベッドとして確立し、マルチターンパーソナライズドローカライゼーションにおける中心的課題として、クエリサイドの同一インスタンスローカライゼーションに対する解決されたサポートエビデンスを効果的に活用することを強調する。
関連論文リスト
- SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。
正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。
変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
論文 参考訳（メタデータ） (2026-08-04T13:16:15Z) - FineState-Bench: Benchmarking State-Conditioned Grounding for Fine-grained GUI State Setting [26.181584493872382]
FineState-Benchは、エージェントが意図したUIコントロールに正しく命令を接地し、正確なターゲット状態に到達できるかどうかを評価するベンチマークである。
FineState-Benchは、デスクトップ、Web、モバイルプラットフォーム全体で2,209のインスタンスで構成され、4つのインタラクションファミリと23のUIコンポーネントタイプにまたがっている。
論文 参考訳（メタデータ） (2026-04-30T15:03:56Z) - State Transfer Reveals Reuse in Controlled Routing [4.640757402699249]
インプロンプトベースの介入はモデル行動を変えることができるが、訓練された成功だけでは、振る舞いに関連する状態がどこに表現されているかは特定できない。
本稿では,サポートデータ上で選択されたインタフェース,クエリ評価,マッチングの必要性,十分性,インターフェースの誤制御などを用いて,制御されたルーティングタスクにおいてこの問題を考察する。
論文 参考訳（メタデータ） (2026-04-20T12:22:15Z) - From Frames to Events: Rethinking Evaluation in Human-Centric Video Anomaly Detection [9.404376027901277]
ポースベースのビデオ異常検出(VAD)は、プライバシー保護の性質と環境変動に対する堅牢性において大きな注目を集めている。
従来のフレームレベルの評価では、ビデオは孤立したフレームの集合として扱われ、現実の世界で異常がどのように現れ、行動するかを根本的に誤解している。
本稿では,階層的なガウススムースメントと適応二項化を備えたスコアリファインメントパイプラインと,イベントレベルの検出を直接生成するエンドツーエンドのデュアルブランチモデルという,時間的イベントローカライゼーションのための2つの戦略を紹介する。
論文 参考訳（メタデータ） (2026-04-10T13:52:18Z) - Grouping Nodes With Known Value Differences: A Lossless UCT-based Abstraction Algorithm [64.43268969806098]
モンテカルロ木探索(MCTS)の中核的な課題は、状態-作用ペアをグループ化することで改善できるサンプル効率である。
我々は、値等価状態または状態-作用ペアをグループ化し、代わりに異なる値を持つグループ状態と状態-作用ペアをグループ化するパラダイムを破る。
我々はこの抽象化フレームワークをKVDA(Known Value difference Abstractions)と呼び、即時報酬の分析によって価値の差を推測する。
論文 参考訳（メタデータ） (2025-10-29T11:03:44Z) - Semantic-Aligned Matching for Enhanced DETR Convergence and Multi-Scale
Feature Fusion [95.7732308775325]
提案したDetection TRansformer (DETR) は、オブジェクト検出のための完全なエンドツーエンドパラダイムを確立している。
DETRは遅いトレーニング収束に悩まされており、様々な検出タスクの適用性を妨げている。
我々は,DETRの収束を加速し,検出性能を向上させるためにセマンティック・アラインド・マッチDreTR++を設計する。
論文 参考訳（メタデータ） (2022-07-28T15:34:29Z) - Seeking Similarities over Differences: Similarity-based Domain Alignment
for Adaptive Object Detection [86.98573522894961]
本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。
具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。
類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
論文 参考訳（メタデータ） (2021-10-04T13:09:56Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳（メタデータ） (2020-03-19T13:30:45Z)
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。