論文の概要: SpatialCORE: Confidence-Aware Grounded Spatial Reasoning in Large Vision--Language Models

• arxiv url: http://arxiv.org/abs/2609.38716v1
• Date: Wed, 30 Sep 2026 00:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.913486
• Title: SpatialCORE: Confidence-Aware Grounded Spatial Reasoning in Large Vision--Language Models
• Title（参考訳）: SpaceCORE:大規模視界における信頼を意識した空間推論-言語モデル
• Abstract要約: 空間推論手法には生成されたグラウンド化が含まれており、モデルがその推論トレースの一部として、タスク関連オブジェクトのバウンディングボックス、マスク、その他のローカライゼーション出力を予測する。 本研究では,空間的推論のための学習信号にモデル自体の信頼度を変換するポストトレーニングフレームワークであるSpatialCOREを紹介する。 SpaceCOREは、様々なベンチマークで、オープンソースおよび特別な空間推論モデルの間で最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 12.429413315224272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Vision-Language Models (LVLMs) have made remarkable progress across visual perception tasks, yet spatial reasoning remains a persistent weakness, especially for questions that require reasoning over visual space. Recent spatial-reasoning methods incorporate generated grounding, where models predict bounding boxes, masks, or other localization outputs for task-relevant objects as part of their reasoning trace. However, these approaches typically optimize final-answer correctness alone, allowing correct answers to be rewarded even when the model does not reason from confidently localized task-relevant objects. We introduce SpatialCORE (Spatially COnfident REasoning), a post-training framework that turns the model's own confidence in generated grounding into a learning signal for spatial reasoning. Its central idea is to reinforce grounding that is both accurate and confident, encouraging the model to reason from confidently localized task-relevant objects. SpatialCORE realizes this through a self-regulating spatial reward that weights each predicted bounding box's matching quality by its coordinate-token confidence. An answer gate further ties grounding optimization to final-answer correctness. SpatialCORE achieves state-of-the-art results among open-source and specialized spatial reasoning models across diverse benchmarks, and transfers effectively in zero-shot settings to unseen data distributions. The source code is available at https://github.com/rafiibnsultan/SpatialCORE.
• Abstract（参考訳）: LVLM(Large Vision-Language Models)は、視覚的知覚タスクにおいて顕著な進歩を遂げているが、空間的推論は、特に視覚空間上の推論を必要とする問題に対して、永続的な弱点である。 最近の空間推論手法では、モデルが推論トレースの一部としてタスク関連オブジェクトのバウンディングボックス、マスク、その他のローカライズアウトプットを予測する生成グラウンドが組み込まれている。 しかしながら、これらのアプローチは通常、最終回答の正しさのみを最適化し、モデルが確実に局所化されたタスク関連オブジェクトから導かれなくても、正しい回答が報われるようにする。 本研究では,空間的推論のための学習信号にモデル自体の信頼度を変換する学習後フレームワークであるSpatialCORE(Spatially Confident Reasoning)を紹介する。 その中心となる考え方は、正確かつ確実な基盤を強化することであり、モデルが確実に局所化されたタスク関連オブジェクトから推論することを奨励する。 SpaceCOREは自己制御型空間報酬によってこれを実現し、予測される各境界ボックスのマッチング品質を、座標の信頼性によって重み付けする。 解答ゲートは、最適化を最終回答の正しさにさらに結び付ける。 SpaceCOREは、さまざまなベンチマークにまたがるオープンソースおよび特殊な空間推論モデル間の最先端の結果を達成し、ゼロショット設定で効果的にデータ分散に転送する。 ソースコードはhttps://github.com/rafiibnsultan/SpatialCOREで公開されている。

関連論文リスト

• Thinking with Visual Grounding [55.778136782175615]
  本稿では,各ステップで使用される視覚的エビデンスを明示的ポイントやボックスグラウンドで,モデルが自然言語思考をインターリーブする推論プロセスである視覚的グラウンドド・シンキングを紹介する。 この動作をトレーニングするために,正確な視覚的推論トレースを抽出するスケーラブルな合成パイプラインを構築した。 本稿では,回答正当性報酬と,生成したオブジェクト参照が正しい画像証拠と一致するか否かをスコアする密接なグラウンド化報酬を組み合わせたグラウンド化対応強化学習を提案する。
  論文  参考訳（メタデータ） (2026-06-15T02:28:34Z)
• SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments [75.60795462502949]
  SpaceEvoは3D空間推論のための自己進化型フレームワークである。 16の空間推論タスクカテゴリを明示的な幾何学的検証規則で定式化する。 注釈のない3Dシーンをゼロノイズのインタラクティブなオラクルに変換し、モデルコンセンサスを客観的な物理的フィードバックに置き換える。
  論文  参考訳（メタデータ） (2026-04-15T17:59:12Z)
• SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation [62.55421542903781]
  生成された画像の空間的レイアウトを評価するために明示的に設計された検証可能な報酬モデルである textbfSpatialReward を提案する。 安定拡散とFLUXの実験により、空間的リワードをRLトレーニングに組み込むことで、空間的一貫性と全体的な生成品質が一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-03-23T17:26:35Z)
• Thinking with Blueprints: Assisting Vision-Language Models in Spatial Reasoning via Structured Object Representation [52.605647992080485]
  空間的推論は視覚的知覚から意味的理解へと視覚言語モデルを前進させる。 物体中心の青写真という認知概念を空間的推論に統合する。 我々の手法は既存の視覚言語モデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-01-05T10:38:26Z)
• Spatial Reasoning in Foundation Models: Benchmarking Object-Centric Spatial Understanding [8.202861909913791]
  基礎モデルにおけるオブジェクト中心空間推論のベンチマークを示す。 グラウンディングディーノやOWLv2のような検出器は、リレーショナル推論に制限のある正確なボックスを提供する。 本研究は,地域化と真の空間理解のギャップを強調し,地域社会における空間認識基盤モデルの必要性を指摘する。
  論文  参考訳（メタデータ） (2025-09-26T06:06:19Z)
• Understanding Space Is Rocket Science -- Only Top Reasoning Models Can Solve Spatial Understanding Tasks [9.23437069873238]
  本稿では,空間的関係理解のためのオープンソースのコントラスト付きVLMベンチマークを提案する。 RocketScienceは完全に新しい現実世界の画像テキストペアで構成されている。 その結果,オープンソースおよびフロンティア商用VLMにおける空間的関係理解の欠如が示唆された。
  論文  参考訳（メタデータ） (2025-09-02T10:32:58Z)
• Mind the Gap: Benchmarking Spatial Reasoning in Vision-Language Models [14.442394137843923]
  本稿では,まず空間的推論のコア要素を記述した詳細な分析を行う。 次に、これらのモデルの性能を、合成画像と実画像の両方で評価する。
  論文  参考訳（メタデータ） (2025-03-25T14:34:06Z)
• Why Is Spatial Reasoning Hard for VLMs? An Attention Mechanism Perspective on Focus Areas [69.56484419619919]
  機械的解釈可能性のレンズによる空間的推論の課題について検討する。 空間的推論の成功は、実際の物体の位置と注意を一致させるモデルの能力と強く相関している。 本研究の目的は,ADAPTVISを用いて,信頼性の高い地域への注意を喚起することである。
  論文  参考訳（メタデータ） (2025-03-03T17:57:03Z)

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。