論文の概要: KilometerVision: A New Frontier for Large-Scale Spatial Intelligence in VLMs

• arxiv url: http://arxiv.org/abs/2609.39588v1
• Date: Wed, 30 Sep 2026 12:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.667767
• Title: KilometerVision: A New Frontier for Large-Scale Spatial Intelligence in VLMs
• Title（参考訳）: KilometerVision: VLMにおける大規模空間知能のための新たなフロンティア
• Abstract要約: 実世界のビデオから最大1kmに及ぶ地理的なレイアウトの理解を探索する最初のベンチマークを紹介する。 認知科学の文献に触発され,人間の空間認識の階層的な段階に対するモデルの評価を行った。
• 参考スコア（独自算出の注目度）: 52.17037661130303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We push the frontier of large-scale spatial intelligence in Vision-Language Models (VLMs) and introduce the first benchmark that probes geographical layout understanding from real-world videos, spanning up to 1km distances. Inspired by the cognitive science literature, we evaluate models against the hierarchical stages of human spatial awareness: anchoring via landmarks, connecting them through routes, and integrating these into global mental maps. Extensive experiments reveal a fundamental divergence in how current AI models process spatial information. Instead of utilising true path integration or forming geometric survey knowledge, we find that VLMs rely almost entirely on 2D visual recognition and text-matching to bypass complex spatial reasoning. The benchmark is publicly available at https://perception-test-challenge.github.io/kilometervision.html.
• Abstract（参考訳）: VLM(Vision-Language Models)における大規模空間知能のフロンティアを推し進め、実世界のビデオから最大1kmの距離にわたる地理的レイアウト理解を探索する最初のベンチマークを導入する。 認知科学の文献に触発された我々は、人間の空間認識の階層的な段階に対するモデルを評価する: ランドマークを介してアンカーし、ルートを介してそれらを接続し、それらをグローバルなメンタルマップに統合する。 大規模な実験は、現在のAIモデルが空間情報をどのように処理するかに根本的な違いを示す。 真の経路積分を利用するか、幾何学的サーベイ知識を形成する代わりに、VLMは複雑な空間的推論をバイパスするために、ほぼ完全に2次元の視覚認識とテキストマッチングに依存している。 ベンチマークはhttps://perception-test-challenge.github.io/kilometervision.htmlで公開されている。

関連論文リスト

• Video2Layout: Recall and Reconstruct Metric-Grounded Cognitive Map for Spatial Reasoning [19.549136366694572]
  Video2は、ビデオからメートル法で配置された空間レイアウトを再構築するためのフレームワークである。 このフレームワークは、オブジェクト間の物理サイズとオブジェクトサイズを定量化するために、連続的なオブジェクト境界座標を使用する。 我々のモデルであるV2LO-7Bは、グリッドマップで訓練されたモデルよりも平均4.92%向上した。
  論文  参考訳（メタデータ） (2025-11-20T08:57:14Z)
• SpaceVista: All-Scale Visual Spatial Reasoning from mm to km [43.506658643163405]
  本稿は,2つの課題に対処することで,多様なシナリオをまたいだ空間的推論を促進することを目的とする。 屋内の3Dスキャンと、データセットのキュレーションのための労働集約的な手作業アノテーションに大きく依存する。 本稿では,構造化空間推論システム,スケール・アウェア・モデリング,プログレッシブ・トレーニング・パラダイムを統合した総合的なソリューションを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:59:46Z)
• LRR-Bench: Left, Right or Rotate? Vision-Language models Still Struggle With Spatial Understanding Tasks [22.011855291417856]
  VLM(Vision-Language Models)が空間的関係を認識し空間的動きを知覚する方法は、まだ解明されていない。 本研究では,空間評価パイプラインを導入し,対応するベンチマークを構築する。 我々は、複数の最先端VLMの実験を行い、改善の余地があることを観察する。
  論文  参考訳（メタデータ） (2025-07-27T08:31:24Z)
• MindJourney: Test-Time Scaling with World Models for Spatial Reasoning [97.61985090279961]
  視覚言語モデルのためのテスト時間スケーリングフレームワークであるMindJourneyを提案する。 我々は,代表的空間推論ベンチマークSATにおいて,MindJourneyが平均7.7%以上の性能向上を達成したことを示す。 また,本手法は,強化学習により訓練した試験時間推定VLMも改善する。
  論文  参考訳（メタデータ） (2025-07-16T17:59:36Z)
• SURPRISE3D: A Dataset for Spatial Understanding and Reasoning in Complex 3D Scenes [105.8644620467576]
  Stextscurprise3Dは複雑な3次元シーンにおける言語誘導空間推論のセグメンテーションを評価するために設計された新しいデータセットである。 Stextscurprise3Dは、ScanNet++ v2から900以上の詳細な屋内シーンにわたる200k以上の視覚言語ペアで構成されている。 データセットには、オブジェクト名なしで意図的に作成される89k以上の人間アノテーション付き空間クエリが含まれている。
  論文  参考訳（メタデータ） (2025-07-10T14:01:24Z)
• Does Spatial Cognition Emerge in Frontier Models? [56.47912101304053]
  本研究では,フロンティアモデルにおける空間認知を体系的に評価するベンチマークSPACEを提案する。 その結果、現代のフロンティアモデルは動物の空間知能に劣っていることが示唆された。
  論文  参考訳（メタデータ） (2024-10-09T01:41:49Z)
• SpatialBot: Precise Spatial Understanding with Vision Language Models [12.67089704185187]
  視覚言語モデル (VLM) は2次元画像理解において優れた性能を発揮している。 彼らはまだ、Embodied AIの基盤である空間的理解に苦戦している。 本稿では,RGB画像と深度画像の両方をフィードすることで,空間的理解を向上させるためのSpatialBotを提案する。
  論文  参考訳（メタデータ） (2024-06-19T15:41:30Z)
• 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)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)

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。