論文の概要: Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2609.03729v1
• Date: Thu, 03 Sep 2026 12:01:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.050569
• Title: Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning
• Title（参考訳）: 世界を広げる:空間共振の強化における4D特性の要因
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.07529952817935
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite the remarkable prowess of Vision-Language Models (VLMs) in general multimodal tasks, they remain fundamentally ``flat'' when reasoning about the physical world. We argue that this spatial bottleneck stems from a profound dimensional mismatch: while VLMs are trained to interpret 2D projections, true spatial reasoning demands the recovery of latent 3D geometry and temporal continuity. To conquer this high-dimensional complexity, we advocate a shift from monolithic learning to a ``divide and conquer'' paradigm. We present FactoSR, a factorized reinforcement learning framework that explicitly interpret the dimensions collapsed by visual projection. At its core, FactoSR decomposes the monolithic problem of world-consistent reasoning into three orthogonal, geometric sub-objectives: planar correspondence ($XY$), depth consistency ($Z$), and temporal reversibility ($T$). By optimizing these verifiable constraints within a unified policy learning mechanism, we effectively transform an ill-posed projection recovery problem into a series of tangible reasoning steps. Extensive evaluations on multi-view and video benchmarks demonstrate that this elegant decomposition yields substantial gains in 3D and 4D reasoning, achieving a 5.9% boost on VSI-Bench and 4.5% on All-Angles-Bench. Our findings suggest that reinforcing explicit, factorized 4D consistency is a critical step toward evolving VLMs into robust, world-aware reasoners.
• Abstract（参考訳）: ビジョン・ランゲージ・モデル(VLM)の一般的なマルチモーダル・タスクにおける顕著な進歩にもかかわらず、それらは物理世界についての推論において基本的に「フラット」のままである。 この空間的ボトルネックは、VLMが2次元投影を解釈するように訓練されているのに対して、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。 この高次元の複雑さを克服するために、モノリシックな学習から‘分割と征服’パラダイムへの移行を提唱する。 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。 中心となるFactoSRは、世界一貫性推論のモノリシックな問題を3つの直交的幾何学的サブオブジェクトに分解する: 平面対応(XY$)、深さ一貫性(Z$)、時間可逆性(T$)。 これらの検証可能な制約を統一的なポリシー学習機構内で最適化することにより、不確定なプロジェクション回復問題を一連の具体的な推論ステップに効果的に変換する。 マルチビューとビデオのベンチマークによる大規模な評価では、このエレガントな分解は3Dと4Dの推論においてかなりの利益をもたらし、VSI-Benchは5.9%、オールアングル-Benchは4.5%向上した。 以上の結果から,VLMを堅牢な世界認知推論器に進化させるためには,明示的,因子化された4D一貫性の強化が重要なステップであることが示唆された。

関連論文リスト

• Disentangling 3D Modeling from Spatial Reasoning [56.3819096070689]
  本研究では,空間的推論から3次元知覚を明示的に切り離すことにより,空間的推論のための代替パラダイムを探求する。 我々のキーとなる観察は、現代の知覚モデルが連続した3次元幾何学を推定するのに優れているのに対して、大きな言語モデル(LLM)は特に構成的および記号的推論に有効であるということである。 これらの相補的な強みに感銘を受けて、ディスタングル空間共振器(DiSR)を提案する。 DiSRは、この明示的な幾何学的証拠のみを推論するために、既製の専門家の知覚モデルとLLMをLoRAで微調整することで、物理世界を構造化された3Dエビデンスに再構成する。
  論文  参考訳（メタデータ） (2026-08-05T14:32:48Z)
• Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning [24.251128353444713]
  VLM(Vision-Language Models)は、しばしば堅牢な3次元空間推論に苦しむ。 GASP(Geometric Aware Spatial Priors)は,LLMのトランスフォーマー層に直接,基本的な幾何学的事前を注入するフレームワークである。 GASPは、すべての層にまたがる深い監視信号として応用された小さな対応ヘッドを使用し、地上の映像シーンを活用する2つの目的で訓練されている。
  論文  参考訳（メタデータ） (2026-05-28T17:00:52Z)
• MLLM-4D: Towards Visual-based Spatial-Temporal Intelligence [50.11889361459544]
  人間は視覚に基づく4D空間時間知能で生まれる。 その重要性にもかかわらず、この機能は現在の大規模言語モデル(MLLM)にとって重要なボトルネックであり続けている。
  論文  参考訳（メタデータ） (2026-02-28T07:23:36Z)
• PointCoT: A Multi-modal Benchmark for Explicit 3D Geometric Reasoning [82.55361351483005]
  我々は,3次元データに対する明示的なチェーン・オブ・ソート(CoT)推論でMLLMを強化する新しいフレームワークであるPointCoTを提案する。 両ストリームのマルチモーダルアーキテクチャを活用することで,幾何学的真理とセマンティックな外観を相乗化することができる。
  論文  参考訳（メタデータ） (2026-02-27T11:47:45Z)
• Let Language Constrain Geometry: Vision-Language Models as Semantic and Spatial Critics for 3D Generation [34.44214123004662]
  本稿では,差別化可能な意味的・空間的批判のための枠組みであるVLM3Dを提案する。 我々のコアコントリビューションは、VLMの「Yes or No log-odds」から派生した2言語による批判信号です。 VLM3Dは、VLMの豊かな言語によるセマンティクスと空間の理解を多種多様な3D生成パイプラインに注入する、原則的で一般的な経路を確立している。
  論文  参考訳（メタデータ） (2025-11-18T09:05:26Z)
• 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)
• Imagine in Space: Exploring the Frontier of Spatial Intelligence and Reasoning Efficiency in Vision Language Models [23.12717700882611]
  空間的推論は人間の認知の基本的な構成要素です 現在の大規模言語モデル(LLM)と視覚言語モデル(VLM)は、論理的推論、問題解決、意思決定にまたがる顕著な推論能力を示している。 我々は空間状態の内部シミュレーションである想像力が空間世界モデルにおける支配的な推論機構であると仮定する。
  論文  参考訳（メタデータ） (2025-11-16T03:09:55Z)
• Abstract 3D Perception for Spatial Intelligence in Vision-Language Models [100.13033631690114]
  視覚言語モデル(VLM)は、空間認識や物理的理解といった3D関連課題に苦しむ。 我々は,VLMの幾何学的構造と物理力学を符号化するために,抽象的境界ボックスを利用するフレームワークであるSandboxVLMを紹介した。 提案手法は空間知能を常に向上させ,SAT Realの8.3%のゲインをベースライン法と比較して達成する。
  論文  参考訳（メタデータ） (2025-11-14T04:16:09Z)
• Spatial457: A Diagnostic Benchmark for 6D Spatial Reasoning of Large Multimodal Models [8.499125564147834]
  空間推論のための4つの重要な機能を備えた,スケーラブルで偏りのない合成データセットを提案する。 本研究では,5つの難易度にまたがって7つの質問型を構成するカスケード評価構造を構築した。 特に3次元推論や6次元空間的タスクにおいて,タスクの複雑さが増大するにつれて,パフォーマンスの全般的な低下が観察される。
  論文  参考訳（メタデータ） (2025-02-12T18:53:20Z)

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。