論文の概要: BindCLIP: One Balanced Coupling For Compositional Vision Language Scoring

• arxiv url: http://arxiv.org/abs/2609.23717v1
• Date: Sun, 20 Sep 2026 15:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.946287
• Title: BindCLIP: One Balanced Coupling For Compositional Vision Language Scoring
• Title（参考訳）: BindCLIP: 合成視覚言語スコーリングのためのバランスの取れた結合
• Abstract要約: BindCLIPは1つの潜在オブジェクト上に構築されたペアワイズスコアラである。 意味、実体、秩序、空間的証拠はこの状態のエネルギーとして読まれる。 1つのチェックポイントと1つの推論パスは、凍結したグローバルCLIPよりも公式のWhat'sUp、ARO、SugarCrepeベンチマークを改善している。
• 参考スコア（独自算出の注目度）: 6.977331636998095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global vision--language similarities compress an image and a caption into one vector, preserving semantics but not which word corresponds to which region or how those regions are arranged; a model can recognize every word and object yet prefer a compositionally incorrect caption. We argue that a frozen encoder retains this association structure, so the problem is to read it rather than to rebuild it beside the pretrained similarity. We introduce BindCLIP, a pairwise scorer built on one latent object: a balanced token--patch--depth optimal-transport coupling that places both candidate captions and several visual depths in a single plan. Semantic, entity, order, and spatial evidence are read as energies of this state, and exchanging the candidates permutes the plan, making the score exactly antisymmetric. A geometric refinement inside the coupling contracts moves that the candidates and the visual depths do not support. No task label, parser, relation inventory, or detector is used. One checkpoint and one inference path improve the official What'sUp, ARO, and SugarCrepe benchmarks over frozen global CLIP, with the strongest transfer on the relation splits. Controls rule out patch access and caption-length shortcuts, and an inference-time lesion localizes spatial arrangement to the coupling.
• Abstract（参考訳）: 画像とキャプションを1つのベクトルに圧縮し、どの単語がどの領域やその領域に対応しているかを保存する; モデルはすべての単語とオブジェクトを認識できるが、構成的に不正確なキャプションを好む; 凍結エンコーダは、この関連構造を保っているので、予め制限された類似性の横で再構築するのではなく、読み取る必要がある。我々は、一つの潜在オブジェクト上に構築されたペアワイズスコアラであるBindCLIPを紹介し、その両キャプションと複数の視覚深度を単一の計画に配置するバランス付きトークン-パッチ-深度最適変換結合を導入する。 意味的、実体的、秩序的、空間的証拠は、この状態のエネルギーとして読み取られ、候補者を交換することで、そのスコアは正確に非対称となる。 結合コントラクト内の幾何学的洗練は、候補と視覚深度がサポートしないように動きます。 タスクラベル、パーサー、リレーショナルインベントリ、検出器は使用されていない。 1つのチェックポイントと1つの推論パスは、公式のWhat'sUp、ARO、SugarCrepeベンチマークを、凍結したグローバルCLIPよりも改善する。 制御はパッチアクセスとキャプション長のショートカットを除外し、推論時間障害は結合への空間配置を局所化する。

関連論文リスト

• CoRef-GS: Cooperative Referring Gaussian Splatting for Multi-Agent Scene Understanding [61.37726020220854]
  CoRef-GSはガウシアンスプレイティングフレームワークを参考にしている。 CoQuad-Refは、現実世界とシミュレーションされた屋内シーンの両方にまたがるベンチマークである。
  論文  参考訳（メタデータ） (2026-09-17T15:39:25Z)
• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• One Patch Is Enough: Reinforcement-Optimized Visual Token Grounding for MLLM-Based Scene Text Spotting [51.09550363815034]
  シーンテキストスポッティングはテキスト認識と空間的局所化の間に高精度なアライメントを必要とする。 本研究では,個々のテキストインスタンスを単一のアンカー視覚トークンでルーティングする視覚中心のフレームワークであるSingle-Patch Text Spotting (SPaTS)を提案する。 SPaTS はフロンティアのクローズドソースMLLM と OCR MLLM の両方で一貫した性能を示し,その性能を著しく向上させる。
  論文  参考訳（メタデータ） (2026-07-30T09:17:48Z)
• PairAlign: A Framework for Sequence Tokenization via Self-Alignment with Applications to Audio Tokenization [8.126475706520063]
  PairAlignは、シーケンスレベルの自己アライメントによるコンパクトなオーディオトークン化のためのフレームワークである。 広義の語彙を用いたコンパクトで非退化配列を学習する。 編集距離検索を保存し、アーカイブトークン数を55%削減する。
  論文  参考訳（メタデータ） (2026-05-07T17:11:22Z)
• GALA: Multimodal Graph Alignment for Bug Localization in Automated Program Repair [40.228155198574356]
  本稿では,マルチモーダル自動プログラム修復(APR)を暗黙的な意味的推測から明示的な構造的推論に移行するフレームワークであるGALAを提案する。 GALAは、まずイメージUIグラフを構築して、視覚要素とその構造的関係をキャプチャし、続いて、このUIグラフをリポジトリレベルの構造と相互参照することで、ファイルレベルのアライメントを実行する。 モダリティ間のセマンティクスとリレーショナルの整合性を強制することにより、GALAは高度に正確なビジュアル・ツー・コードマッピングを確立する。
  論文  参考訳（メタデータ） (2026-04-09T11:06:25Z)
• Robust Scene Coordinate Regression via Geometrically-Consistent Global Descriptors [52.57327385675752]
  幾何学的構造と視覚的類似性の両方に整合したグローバルな記述子を学習するアグリゲータモジュールを提案する。 これにより、信頼できないオーバーラップスコアによる誤関連が修正される。 挑戦的なベンチマークの実験では、大規模環境ではかなりのローカライゼーションが得られた。
  論文  参考訳（メタデータ） (2025-12-19T04:24:03Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• Do Vision and Language Encoders Represent the World Similarly? [22.70701869402434]
  CLIPのようなアライメントされたテキストイメージエンコーダは、視覚言語タスクのデファクトモデルになっている。 非整列および整列エンコーダの表現空間は意味論的に類似していることがわかった。 CLIPのようなアライメントエンコーダに統計的に類似性がない場合、アライメントされていないエンコーダのマッチングがトレーニングなしで存在することを示す。
  論文  参考訳（メタデータ） (2024-01-10T15:51:39Z)
• CoDet: Co-Occurrence Guided Region-Word Alignment for Open-Vocabulary Object Detection [78.0010542552784]
  CoDetはオープン語彙オブジェクト検出のためのオブジェクトレベルの視覚言語表現を学習するための新しいアプローチである。 共有概念に言及するイメージをキャプションにグループ化することにより、共有概念に対応するオブジェクトは、高い共起性を示す。 CoDetは、オープン語彙検出において優れたパフォーマンスと魅力的なスケーラビリティを持っている。
  論文  参考訳（メタデータ） (2023-10-25T14:31:02Z)

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。