論文の概要: Seeing Parts, Reasoning about Worlds: Visual Inference under Partial Observation

• arxiv url: http://arxiv.org/abs/2609.32456v1
• Date: Sat, 26 Sep 2026 10:40:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:01:05.668869
• Title: Seeing Parts, Reasoning about Worlds: Visual Inference under Partial Observation
• Title（参考訳）: 部品を見る, 世界の推論:部分観察下の視覚的推論
• Abstract要約: WorldScope-1.2Mは、8つの世界特性、10のタスクインタフェース、3つの観察プロトコルにまたがる120万の英語質問応答ペアを提供する。 WorldFlowは、クロスビューエンティティエビデンスとサポート面カバレッジをイメージサブセットエビデンス格子に構成する。 WorldScope-Benchは、ビューが選択され、組み合わせられ、取り除かれ、または順序づけられるにつれて、クレーム判断と証拠に依存した結論を評価する。
• 参考スコア（独自算出の注目度）: 55.16726869702075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World modeling under partial observation requires reasoning about the complete worlds that remain compatible with limited visual evidence. Occluded objects and unseen regions can leave several world states possible; additional views can exclude alternatives and strengthen the conclusions supported by the observations. We introduce WorldScope to study this process through possible-world semantics, evidence-grounded data, and learned visual representations. WorldScope-1.2M provides 1.2 million English question-answer pairs spanning eight world properties, ten task interfaces, and three observation protocols. Its answers encode confirmed facts, supported bounds, and unresolved possibilities. Complementary supervision comprises 4,800 certified counterworld groups with equivalent base observations and different hidden object configurations and query answers. These groups provide physical witnesses of ambiguity and training-only labels for world compatibility and view-induced exclusions. We propose WorldFlow, which composes cross-view entity evidence and support-surface coverage into an image-subset evidence lattice. Counterworld compatibility and transition objectives train subset representations to reflect how new observations constrain possible worlds. A shared answer generator uses these representations to predict the strongest supported conclusion. WorldScope-Bench evaluates claim judgments and evidence-dependent conclusions as views are selected, combined, removed, or ordered. On its 5,000-question test set, WorldFlow reaches 64.34% exact accuracy, improving over the same backbone trained on QA alone by 24.88 percentage points. It retains 50.43% accuracy on the 3,000 questions from structure-disjoint scenes.
• Abstract（参考訳）: 部分的な観察の下での世界モデリングは、限られた視覚的証拠と相容れない完全な世界についての推論を必要とする。 蓄積された物体と見えない領域は、いくつかの世界状態を残すことが可能であり、追加の見解は代替案を除外し、観測によって支持される結論を強化することができる。 我々はWorldScopeを導入して、このプロセスについて、可能な世界意味論、エビデンスに基づくデータ、そして学習された視覚的表現を通して研究する。 WorldScope-1.2Mは、8つの世界特性、10のタスクインタフェース、3つの観察プロトコルにまたがる120万の英語質問応答ペアを提供する。 その答えは、確認された事実、支持された境界、未解決の可能性をエンコードしている。 補完的な監視は、4,800の認定されたカウンターワールドグループで構成され、同等のベース観測と異なる隠されたオブジェクト構成とクエリー回答がある。 これらのグループは、曖昧さの物理的目撃者や、世界との互換性とビューによって引き起こされる排除のためのトレーニングのみのラベルを提供する。 画像サブセットエビデンス格子にクロスビューエンティティエビデンスとサポート面カバレッジを構成するWorldFlowを提案する。 対世界の互換性と遷移の目的は、新しい観測が可能世界を制限する方法を反映するためにサブセット表現を訓練する。 共有回答生成器は、これらの表現を使用して、最も支持された最強の結論を予測する。 WorldScope-Benchは、ビューが選択され、組み合わせられ、取り除かれ、または順序づけられるにつれて、クレーム判断と証拠に依存した結論を評価する。 5000クエストテストセットでは、WorldFlowの精度は64.34%に達し、QAだけでトレーニングされたバックボーンを24.88ポイント改善した。 3000の質問に対して50.43%の精度を維持している。

関連論文リスト

• HappyWorld-Bench [81.97217706051495]
  HappyWorld-Benchは、エージェントがエージェントと対話する際に生成された世界が信頼できるかどうかを評価するベンチマークである。 HappyWorld-Benchは1,138の動画プロンプト、300の空間シーン、254のテストケースで構成されている。 この統合された枠組みの下で,14の映像世界モデル,9つの空間システム,8つの具体的候補を評価した。
  論文  参考訳（メタデータ） (2026-09-21T09:07:30Z)
• World in World: Explore the World with World Models [5.1244963637555285]
  我々は、不均一な制御証拠をクリーンな視覚状態に変換するトレーニング不要な推論時間インターフェースであるWorld in Worldを提示する。 我々は、様々な視点の変化の下で、カメラ制御されたビデオリレンダリングによるワールド・イン・ワールドの評価を行った。
  論文  参考訳（メタデータ） (2026-09-10T13:42:26Z)
• Multi-View Reflective Surface Inspection via Semantic-Saliency Cross-Verification [0.4549831511476248]
  反射型スマートフォンカバーガラスは、一つの固定された視点から検査することが困難である。 本稿では,各RGB観測を共有ビューの専門家が処理する多視点検査フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:48:39Z)
• TriViewBench: Controlled Complexity Scaling for Multi-View Structural Reasoning in MLLMs [15.319486581991848]
  合成3Dシーンから構築した3次元視覚推論ベンチマークであるTriViewBenchを紹介する。 オープンおよびクローズドな18のMLLMを統一的なプロンプトプロトコルで評価する。
  論文  参考訳（メタデータ） (2026-06-24T17:00:05Z)
• Seeing Isn't Knowing: Do VLMs Know When Not to Answer Spatial Questions (and Why)? [72.2500547961037]
  空間推論は視覚言語モデル(VLM)が現実世界の環境に展開する基本的な能力である。 対象情報を隠蔽するオクルージョン(Occlusion)と、誤解を招く視覚的手がかりを生成する視点曖昧性(spective ambiguity)の2つのタイプの観察課題を紹介した。 各構成について、クリーンな観察では答えられるが、導入した課題では無視する必要がある空間的質問を設計する。
  論文  参考訳（メタデータ） (2026-05-28T20:44:47Z)
• Ego to World: Collaborative Spatial Reasoning in Embodied Systems via Reinforcement Learning [61.753025885751036]
  本稿では,3つのタスクにまたがる異種視点を融合する視覚言語モデルの能力を評価するEgo-to-Worldベンチマークを提案する。 我々は,2段階のフレームワークであるCoRLを提案し,チェイン・オブ・ソート(Chain-of-Thought)を教師付き微調整と強化学習を組み合わせた。 我々は、CoRLが、推論と知覚グラウンドのメトリクスの両方において、強力なプロプライエタリおよびオープンソースベースラインを一貫して超越していることを示します。
  論文  参考訳（メタデータ） (2026-03-16T04:27:53Z)
• RegionReasoner: Region-Grounded Multi-Round Visual Reasoning [69.75509909581133]
  RegionReasonerは視覚的推論のための強化学習フレームワークである。 これは、それぞれの推論トレースに対応する参照境界ボックスを明示的に引用することを要求することによって、根拠付き推論を強制する。 RegionReasonerは、基礎となる忠実さとグローバルなセマンティックアライメントを組み合わせた構造化された報酬で最適化されている。
  論文  参考訳（メタデータ） (2026-02-03T16:52:16Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)

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。