論文の概要: CityToolVQA: Tool-Augmented Visual Question Answering for 3D Spatial Cognition in Urban Low-Altitude Environments

• arxiv url: http://arxiv.org/abs/2609.32427v1
• Date: Sat, 26 Sep 2026 09:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:16:20.896358
• Title: CityToolVQA: Tool-Augmented Visual Question Answering for 3D Spatial Cognition in Urban Low-Altitude Environments
• Title（参考訳）: CityToolVQA: 都市低高度環境における3次元空間認識のためのツール強化視覚質問応答
• Abstract要約: CityToolVQAは、都市低高度視覚質問応答における定量的タスクにおける視覚言語モデル(VLM)の弱い性能に対処する。 我々は、物体の接地、セグメンテーション、深度後方投影、空間計算を行う外部視覚幾何学ツールチェーンを使用する。 73,324件のOpen3D-VQA-v2テストセットでは、CityToolVQA-SFT (Qwen3-VL-8B) が67.6%の精度に達した。
• 参考スコア（独自算出の注目度）: 6.0526193856894075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CityToolVQA addresses the weak performance of Vision-Language Models (VLMs) on quantitative tasks in urban low-altitude visual question answering. We divide the seven tasks into qualitative and quantitative groups: qualitative questions are answered directly by the VLM, whereas quantitative questions are handled by an external visual-geometric toolchain that performs object grounding, segmentation, depth back-projection, and spatial computation. The toolchain can be attached to different VLMs in a zero-shot manner; a Depth-Assisted Prompt Inference (DAPI) fallback is triggered when the main-chain detection is invalid or unreliable, and CityToolVQA-SFT adapts the 8B backbone to tool-conditioned inputs. On the 73,324-question Open3D-VQA-v2 test set, CityToolVQA-SFT (Qwen3-VL-8B) reaches 67.6% overall accuracy, and attaching the toolchain to ten open-source VLMs improves quantitative-task accuracy by 12.7-36.9 percentage points. These results indicate that externalizing explicit 3D geometric computation effectively complements the limited ability of RGB-only VLMs to estimate metric distances and object sizes.
• Abstract（参考訳）: CityToolVQAは、都市低高度視覚質問応答における定量的タスクにおける視覚言語モデル(VLM)の弱い性能に対処する。 質的質問はVLMによって直接答えられるのに対し、定量的質問はオブジェクトグラウンド、セグメンテーション、深さ後方投影、空間計算を行う外部視覚幾何学的ツールチェーンによって処理される。 ツールチェーンはゼロショットで異なるVLMにアタッチすることができ、メインチェーン検出が無効または信頼性の低い場合にはDAPIフォールバックが起動され、CityToolVQA-SFTは8Bバックボーンをツールコンディショニング入力に適合させる。 73,324件のOpen3D-VQA-v2テストセットでは、CityToolVQA-SFT (Qwen3-VL-8B) が67.6%の精度に達し、ツールチェーンを10個のオープンソースVLMにアタッチすることで、量的タスク精度を12.7～36.9ポイント向上した。 これらの結果から,3次元幾何計算の外部化は,RGBのみのVLMによる距離と物体サイズの推定能力の限界を効果的に補うことが示唆された。

関連論文リスト

• Selective Tool Use for Agentic Change Visual Question Answering in Remote Sensing [2.4564286418294468]
  視覚的質問応答の変化(Change VQA)は、両時間的リモートセンシング画像間の意味的変化を理解する必要がある。 本稿では,1つのVLMが直接回答するか,あるいは決定論的変化分析ツールを起動して,質問特定証拠を得るための選択ツール利用フレームワークを提案する。 具体的には、選択したツールがバイテンポラルなセマンティックマップで動作し、構造化された観察結果を返す。
  論文  参考訳（メタデータ） (2026-09-13T13:58:53Z)
• 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)
• CoV: Chain-of-View Prompting for Spatial Reasoning [64.77921266428824]
  CoV(Chain-of-View)は、視覚言語モデルをアクティブな視点推論子に変換する。 我々はOpenEQA上でのCoVの評価を行い、Qwen3-VL-Flashで最大13.62%向上したLLM-Matchで平均+11.56%改善した。
  論文  参考訳（メタデータ） (2026-01-08T17:59:42Z)
• Out of Sight, Not Out of Context? Egocentric Spatial Reasoning in VLMs Across Disjoint Frames [17.975173937253494]
  エゴセントリックなビデオを操作するAIアシスタントは、時間をかけて空間的な手がかりを統合する必要がある。 Disjoint-3DQAは、VLMのこの能力を評価するためのQAベンチマークである。
  論文  参考訳（メタデータ） (2025-05-30T06:32:26Z)
• Unveiling the Mist over 3D Vision-Language Understanding: Object-centric Evaluation with Chain-of-Analysis [65.42684641776931]
  3Dビジョン言語(3D-VL)ベンチマークは、3D-VLモデルの評価に不足している。 我々は3D-VLグラウンドとQAタスクのベンチマークであるBeacon3Dを提案する。
  論文  参考訳（メタデータ） (2025-03-28T13:32:29Z)
• 3D Question Answering for City Scene Understanding [12.433903847890322]
  3Dマルチモーダル質問応答(MQA)は,知的エージェントが周囲を3D環境下で理解できるようにすることによって,シーン理解において重要な役割を担っている。 都市レベルのシーン理解のための3D MQAデータセットCity-3DQAを提案する。 新しいベンチマークを報告し,提案したSg-CityUはCity-3DQAの異なる設定で63.94 %と63.76 %の精度を達成する。
  論文  参考訳（メタデータ） (2024-07-24T16:22:27Z)
• SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities [59.39858959066982]
  空間的関係についての理解と推論は、視覚質問応答(VQA)とロボット工学の基本的な能力である。 我々は,1000万枚の実画像に対して,最大20億個のVQAサンプルをスケール可能な3次元空間VQAデータ自動生成フレームワークを開発した。 このようなデータに基づいてVLMを訓練することにより、定性的空間的VQAと定量的空間的VQAの両方において、その能力を大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-22T18:01:01Z)
• Towards Explainable 3D Grounded Visual Question Answering: A New Benchmark and Strong Baseline [35.717047755880536]
  3次元視覚的質問応答(VQA)タスクは、あまり利用されず、言語の先行や参照のあいまいさにもより影響を受けやすい。 我々は、多様で比較的自由な質問応答ペアを備えた新しい3D VQAデータセットと、密集した完全に接地されたバウンディングボックスアノテーションを収集する。 完全視覚的かつ説明可能な答えを効果的に予測する3D VQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-24T15:09:02Z)

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。