論文の概要: DepthEvidence: Unifying Metric Depth Prediction and Geometric Reasoning in Multimodal Language Models

• arxiv url: http://arxiv.org/abs/2609.31103v1
• Date: Fri, 25 Sep 2026 10:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.340059
• Title: DepthEvidence: Unifying Metric Depth Prediction and Geometric Reasoning in Multimodal Language Models
• Title（参考訳）: 深度証拠:多モーダル言語モデルにおける計量深度予測と幾何学的推論の統合
• Abstract要約: DepthEvidenceは、言語生成のためのオブジェクト指向の証拠として、それ自身で密度の高い計量予測を使用する4Bモデルである。 カメラコンディショニングデコーダは、マルチスケールの視覚特徴と高解像度のRGB精細化を用いて、全解像度のメートル法深度を予測する。 ディープ・トゥ・ランゲージ・インタフェースは、予測深度とデコーダの特徴をオブジェクト識別子に固定されたオブジェクト整列連続幾何トークンに変換する。
• 参考スコア（独自算出の注目度）: 21.630496416618385
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Spatial reasoning with metric constraints requires linking objects to geometric measurements and preserving their numerical content during language reasoning. We present DepthEvidence, a 4B model that uses its own dense metric predictions as object-grounded evidence for language generation. A camera-conditioned decoder predicts full-resolution metric depth using multi-scale visual features and high-resolution RGB refinement. A dense-to-language interface converts predicted depths and decoder features into object-aligned continuous geometry tokens anchored to object identifiers. Geometric supervision encourages metric information to remain recoverable before and after language-context interaction, while instruction tuning supports object measurement and compositional reasoning. We introduce a Depth-VQA benchmark evaluating object-depth queries, relative comparisons, and decisions combining spatial and numerical constraints. Across nine datasets, DepthEvidence achieves the highest average dense $δ_1$ among evaluated methods, competitive with specialized estimators. It also leads the evaluated methods in instance-level metric depth estimation and overall accuracy on both relative and metric reasoning tracks, while broadly preserving general VQA performance and improving spatial understanding relative to the base model.
• Abstract（参考訳）: 距離制約による空間的推論は、幾何学的測度にオブジェクトをリンクし、言語推論中にその数値的内容を保存する必要がある。 DepthEvidenceは、言語生成のためのオブジェクト指向の証拠として、それ自身で密度の高い計量予測を使用する4Bモデルである。 カメラコンディショニングデコーダは、マルチスケールの視覚特徴と高解像度のRGB精細化を用いて、全解像度のメートル法深度を予測する。 ディープ・トゥ・ランゲージ・インタフェースは、予測深度とデコーダの特徴をオブジェクト識別子に固定されたオブジェクト整列連続幾何トークンに変換する。 幾何学的指導は、言語と文脈の相互作用の前後でメートル法情報の回復を奨励し、命令チューニングはオブジェクトの測定と合成推論をサポートする。 本稿では,Depth-VQAベンチマークを用いて,オブジェクト深度クエリ,相対比較,空間的制約と数値的制約を組み合わせた決定について評価する。 9つのデータセットで、DepthEvidenceは評価された手法の中で最も高い濃度のδ_1$を達成し、特殊推定器と競合する。 また, 一般VQA性能を広く保存し, 基本モデルに対する空間的理解を向上させるとともに, 相対的および距離的推論トラックにおける実測値深度推定および総合的精度の評価手法を導出する。

関連論文リスト

• Depth2Pose: A Pose-Based Benchmark for Monocular Depth Estimation without Ground-Truth Depth [36.90157943436845]
  本稿では,下流タスクの文脈における単眼深度推定器(MDE)の評価フレームワークを提案する。 深度認識幾何学的解法における特徴対応と深度予測を組み合わせることで、相対カメラのポーズ推定精度を深度品質のプロキシとして利用する。 本手法は,地底深度が難しい場面に応用できる。
  論文  参考訳（メタデータ） (2026-05-19T12:59:11Z)
• AnchorD: Metric Grounding of Monocular Depth Using Factor Graphs [16.622717763906262]
  現在利用可能な深度センサーは、透明、スペクトル、一般のランベルト面の誤差を生じやすい。 本研究では,深度基礎モデルから単分子深度推定の先行値をアンカーする学習自由深度接地フレームワークを提案する。 本手法はパッチワイドアフィンアライメントを行い,実世界深度で局所的に単分子予測を行う。
  論文  参考訳（メタデータ） (2026-05-04T14:48:52Z)
• TangramPuzzle: Evaluating Multimodal Large Language Models with Compositional Spatial Reasoning [104.66714520975837]
  古典的タングラムゲームのレンズを通して構成空間推論を評価するために,幾何グラウンドのベンチマークを導入する。 本稿では,タングラム集合を正確に機械で検証可能な座標仕様でグルーピングする記号幾何学的枠組みであるタングラム構成式(TCE)を提案する。 MLLMは、幾何学的制約を無視しながら、ターゲットのシルエットとのマッチングを優先する傾向がある。
  論文  参考訳（メタデータ） (2026-01-23T07:35:05Z)
• Hybrid-grained Feature Aggregation with Coarse-to-fine Language Guidance for Self-supervised Monocular Depth Estimation [26.067792743687775]
  現在の自己教師型単眼深度推定手法は, 意味空間知識の抽出が不十分なため, 性能限界に遭遇する。 基礎モデル(例えばCLIPやDINO)を体系的に統合し、視覚的先行情報を抽出し、MDEに十分な文脈情報を取得する新しいフレームワークであるHybrid-depthを提案する。
  論文  参考訳（メタデータ） (2025-10-10T12:20:19Z)
• A Multimodal Depth-Aware Method For Embodied Reference Understanding [56.30142869506262]
  Embodied Reference Understandingでは、言語命令とポインティングキューの両方に基づいて、視覚的なシーンで対象のオブジェクトを識別する必要がある。 本稿では,データ拡張,深度マップのモダリティ,深度認識決定モジュールを共同で活用する新しいERUフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T14:32:21Z)
• Depth Anything with Any Prior [64.39991799606146]
  Prior Depth Anythingは、深さ測定における不完全だが正確な計量情報と深さ予測における相対的だが完全な幾何学的構造を組み合わせたフレームワークである。 本研究では, 単眼深度推定(MDE)モデルを構築し, 深度推定の固有ノイズを改良する。 われわれのモデルは、7つの現実世界のデータセットにまたがる深度補完、超高解像度、インパインティングという、印象的なゼロショットの一般化を見せている。
  論文  参考訳（メタデータ） (2025-05-15T17:59:50Z)
• Depth-discriminative Metric Learning for Monocular 3D Object Detection [14.554132525651868]
  本稿では,視覚的属性に関係なく,モデルが深度識別的特徴を抽出することを奨励する新しい計量学習手法を提案する。 本手法は, 各種ベースラインの性能を平均23.51%, 5.78%向上させる。
  論文  参考訳（メタデータ） (2024-01-02T07:34:09Z)
• Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust Depth Prediction [87.08227378010874]
  深度予測における高次3次元幾何学的制約の重要性を示す。 単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。 The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
  論文  参考訳（メタデータ） (2021-03-07T00:08:21Z)

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。