論文の概要: GaugeVLM: Structuring Spatial Supervision with Measured Geometric Interventions

• arxiv url: http://arxiv.org/abs/2609.38285v1
• Date: Tue, 29 Sep 2026 16:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.488349
• Title: GaugeVLM: Structuring Spatial Supervision with Measured Geometric Interventions
• Title（参考訳）: GaugeVLM:幾何干渉による空間的スーパービジョンの構築
• Abstract要約: 視覚言語モデル(VLM)は、同じ空間関係の視点で矛盾し、その関係が変化しても応答しない。 我々は,GaugeVLMを導入し,この構造を3Dシーンにおける制御対象とカメラの介入によって明確化する。 解析は正準予測誤差を限定し,クロスビュー制約と干渉制約が連立的に満たされることを示す。
• 参考スコア（独自算出の注目度）: 42.447870791557385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) can contradict themselves across views of the same spatial relation and fail to respond when that relation changes. Addressing these failures requires supervision that captures error magnitude and geometric dependencies across observations, both of which remain implicit in training on individual answers or ordinal preferences. Therefore, we introduce GaugeVLM, which makes this structure explicit through controlled object and camera interventions in explicit 3D scenes, producing linked observations with measured differences between spatial relations and shared truths across views. To translate this structure into learning signals, its core objective, GaugeDPO, converts measured errors into preference margins, directly supervises correct canonical rankings across views, and links intervention-induced answer-odds contrasts to measured relation changes with view-specific scales. Our analysis bounds canonical prediction error and establishes that the cross-view and intervention constraints can be jointly satisfied. Empirically, GaugeVLM improves all 10 established spatial metrics over supervised fine-tuning across three VLM backbones, with the main 7B model gaining 15.0 and 18.9 percentage points on MSMU distance and QSpatial+, respectively. These gains also extend to autonomous driving and embodied reasoning, demonstrating the robust generalization across domains.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、同じ空間関係の視点で矛盾し、その関係が変化しても応答しない。 これらの障害に対処するには、個々の回答や規則的な選好のトレーニングにおいて暗黙的に残る観察全体にわたってエラーの規模と幾何学的依存関係をキャプチャする監視が必要である。 そこで我々は,GaugeVLMを導入し,この構造を3Dシーンにおける制御対象とカメラの介入を通して明確化し,空間的関係と視点間の共有真理の差を計測して,関連性のある観察を行う。 この構造を学習信号に変換するために、その中核となる目的であるGaugeDPOは、測定されたエラーを優先マージンに変換し、ビューをまたいだ正しい正準ランクを直接監督し、干渉によって引き起こされる応答-負を、ビュー固有のスケールによる測定された関係変化と対比する。 解析は正準予測誤差を限定し,クロスビュー制約と干渉制約が連立的に満たされることを示す。 実証的に、GaugeVLMは3つのVLMバックボーンにまたがる教師付き微調整よりも確立された10の空間測定値を改善しており、メインの7BモデルはMSMU距離でそれぞれ15.0と18.9ポイント、QSpatial+でそれぞれ向上している。 これらの利得は、自律運転や推論の具体化にまで拡張され、ドメイン間の堅牢な一般化を実証する。

関連論文リスト

• SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
  このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。 本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
  論文  参考訳（メタデータ） (2026-06-11T17:59:36Z)
• Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models [29.66841995436342]
  現代の視覚言語モデル(VLM)は、計量距離クエリでは信頼できないままである。 我々は,Hypersim,ScanNet,KITTI360から構築したマルチビュー評価プロトコルであるtextbfViewDiagを紹介する。 安定な予測は、証拠に敏感な推論よりも先駆的な崩壊を反映している可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-01T18:06:08Z)
• Why Far Looks Up: Probing Spatial Representation in Vision-Language Models [44.01280555484389]
  視覚言語モデル(VLM)は空間推論ベンチマークにおいて高い性能を達成する。 しかし、これが構造化された3D理解の反映なのか、あるいは自然画像の統計的ショートカットに依存しているのかは不明だ。 空間軸がどのように構成されているかを測定するために,最小のコントラスト対を構成する表現レベル分析フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-05-28T16:18:01Z)
• Simulated Adoption: Decoupling Magnitude and Direction in LLM In-Context Conflict Resolution [3.0242762196828448]
  大規模言語モデル(LLM)は、既存のパラメトリックメモリよりもコンテクスト内での競合情報を優先することが多い。 モデルが「未学習」や内部の真理の大きさを抑えるのではなく、幾何変位のメカニズムを用いていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T06:13:11Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)

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。