論文の概要: VeriFuse: Bounded Vision-Language Arbitration and Reason-Guided Refinement for Cooperative 3D Perception

• arxiv url: http://arxiv.org/abs/2609.21323v1
• Date: Fri, 18 Sep 2026 04:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.866396
• Title: VeriFuse: Bounded Vision-Language Arbitration and Reason-Guided Refinement for Cooperative 3D Perception
• Title（参考訳）: VeriFuse: 協調3次元知覚のための境界視線調整とReason-Guided Refinement
• Abstract要約: 視覚言語モデル(VLM)は、様々なタスクにおいて、強い場面理解と意味判断を示す。 車両・インフラ間協調3次元検出のための有界調停フレームワークであるVeriFuseを紹介する。 We show that VeriFuse achieve 0.494/0.357 collaborative 3D AP50/AP70 and limit the relative vehicle-side BEV AP50 drop under a 300 ms delay to 1.7%。
• 参考スコア（独自算出の注目度）: 14.039136418383821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have demonstrated strong scene understanding and semantic judgment across diverse tasks, but their appropriate role in cooperative perception remains unclear. Directly asking a VLM to regress 3D detections is unreliable and computationally expensive, whereas using it to select the output of a single source discards useful information from other agents. We introduce VeriFuse, a bounded arbitration framework for vehicle-infrastructure cooperative 3D detection. Each agent first produces detections independently. Around each vehicle and roadside proposal, VeriFuse generates source-conditioned geometric candidates and combines the original detections, their perturbations, and cross-source hypotheses into a unified candidate pool. A frozen VLM then chooses among three admissible actions: SELECT an adequate candidate; REFINE an existing anchor when an object is supported but all candidates are geometrically inadequate; or REJECT an unsupported infrastructure-only proposal. Experiments on the DAIR-V2X dataset show that VeriFuse achieves 0.494/0.357 cooperative 3D AP50/AP70 and limits the relative vehicle-side BEV AP50 drop under a 300 ms delay to 1.7%. Overall, VeriFuse assigns the VLM a clear and constrained role in cooperative perception: semantic reasoning resolves ambiguity among cross-agent hypotheses, while deterministic constraints determine the final 3D geometry.
• Abstract（参考訳）: 視覚言語モデル (VLM) は, 多様なタスクにまたがる強い場面理解と意味判断を実証しているが, 協調知覚におけるそれらの役割はいまだ不明である。 直接、VLMに3D検出を遅らせるよう要求することは信頼性が低く、計算コストがかかるが、一方、単一のソースの出力を使用して他のエージェントから有用な情報を捨てる。 車両・インフラ間協調3次元検出のための有界調停フレームワークであるVeriFuseを紹介する。 各エージェントは、まず独立して検出を生成する。 VeriFuseは、各車両と道路側の提案の周囲で、ソース条件の幾何的候補を生成し、元の検出、摂動、およびクロスソース仮説を統一された候補プールに結合する。 凍結されたVLMは、適切な候補をSELECT、オブジェクトがサポートされているときに既存のアンカーをREFINEするが、すべての候補が幾何学的に不十分である、または、サポートされていないインフラストラクチャのみの提案である。 DAIR-V2Xデータセットの実験では、VeriFuseは0.494/0.357の3D AP50/AP70を達成し、300msの遅延で相対車両側のBEV AP50の減少を1.7%に制限している。 総合的に、VeriFuse は VLM を協調的な知覚において明確で制約された役割を割り当てている: 意味的推論はクロスエージェント仮説間のあいまいさを解決し、決定論的制約は最終3次元幾何学を決定する。

関連論文リスト

• ThinkAfford: Affordance-Centric Reasoning for Fine-Grained 3D Grounding in Cluttered Scenes [32.732813539170635]
  タスク駆動型3Dアベイランスグラウンドは,自然言語命令で指定された動作を可能にする散在する3Dシーンにおいて,機能領域をローカライズすることを目的としている。 本稿では,ThinkAffordについて紹介する。
  論文  参考訳（メタデータ） (2026-08-11T14:36:16Z)
• 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)
• YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate [0.0]
  我々は,YUKTIが各ステージを正確に,非線形,あるいは進化的解法にルートすることを示す。 我々は,決定的後悔の正確な要因として境界作成rhoを証明し,監査可能なトレーサビリティを付加し,ベンチマークに忠実なデータ基盤を合成する。 規制上の不特定の下では、堅牢な妥協が平均とテールの後悔を90%以上削減し、単純なポイントプランと比較し、規制された商業上の決定では、合法的な行動空間内で最適化し、ユーロの下落価格を下げる。
  論文  参考訳（メタデータ） (2026-06-22T09:29:13Z)
• CAMF-Det: Closure-Aware Multimodal Fusion for LiDAR-Camera 3D Object Detection on UAV Platforms [9.923404615359223]
  LiDARとカメラを用いたマルチモーダル3Dオブジェクト検出は,地上車両のシナリオにおいて優れた性能を示した。 UAVプラットフォーム上でのLiDARカメラ3Dオブジェクト検出のためのクロージャ対応マルチモーダル融合フレームワークであるCAMF-Detを提案する。 我々は、CAMF-Detが全ての難易度で最高のパフォーマンスを達成し、ハードレベルのmAP$_mathrmBEV$9.43%と4.88%の最高の競合手法で改善したことを示す。
  論文  参考訳（メタデータ） (2026-06-08T07:40:17Z)
• ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
  空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。 本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
  論文  参考訳（メタデータ） (2026-04-27T10:45:51Z)
• Agentic Mixed-Source Multi-Modal Misinformation Detection with Adaptive Test-Time Scaling [41.61826091940538]
  視覚言語モデル(VLM)は,社会プラットフォーム上でのマルチモーダル誤報の検出に有効であることが証明されている。 しかしながら、単一のVLMの容量は、より複雑な混在するマルチモーダル誤情報検出タスクにおいて不足する。 我々は,ゼロショット誤情報検出のためのマルチエージェントフレームワークであるAgentM3Dを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:07:52Z)
• FuzzRisk: Online Collision Risk Estimation for Autonomous Vehicles based on Depth-Aware Object Detection via Fuzzy Inference [6.856508678236828]
  このフレームワークは異なるアルゴリズムから2組の予測を受け取り、不整合とファジィ推論による衝突リスクを関連付ける。 IoU(Intersection-over-Union)と深度差測定(deep discrepancy measure)に基づいて,2組の予測の不一致が3次元物体検出器の誤差と強く相関していることを実験的に検証した。 AV衝突率によく一致する既存のオフラインメトリックに対してファジィ推論システムを最適化する。
  論文  参考訳（メタデータ） (2024-11-09T20:20:36Z)
• Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose Estimation [63.199549837604444]
  3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。 我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。 我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
  論文  参考訳（メタデータ） (2022-04-05T03:52:57Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• Weakly Supervised Generative Network for Multiple 3D Human Pose Hypotheses [74.48263583706712]
  単一画像からの3次元ポーズ推定は、欠落した深さのあいまいさに起因する逆問題である。 逆問題に対処するために,弱い教師付き深層生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T09:26:01Z)

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。