論文の概要: GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
- arxiv url: http://arxiv.org/abs/2609.39600v1
- Date: Wed, 30 Sep 2026 12:20:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.705377
- Title: GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
- Title（参考訳）: GroundAnything:Flash速度で正確なビジュアルグラウンドで並列デコーディングを再構築する
- Abstract要約: GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
- 参考スコア（独自算出の注目度）: 71.05944634852158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autoregressive (AR) grounding models serialize spatial predictions, introducing sequential latency and imposing a causal order on output tokens. We view grounding as visual evidence extraction: objects, locations, and spatial relations are jointly constrained by the image and query, yet their dependencies do not imply an intrinsic left-to-right generation order. This distinction makes bidirectional diffusion a natural fit, allowing spatial hypotheses to emerge in parallel and be jointly refined through iterative denoising. We introduce GroundAnything, a 4B-parameter grounding foundation model that reconciles fast parallel decoding with precise localization through blockwise denoising. Training combines grounding pretraining from public datasets and dedicated data engines, direct AR-to-diffusion conversion with joint AR and diffusion objectives, supervised fine-tuning, and GRPO-based reinforcement post-training. Across 30 grounding benchmarks, our autoregressive variant, GroundAnything-VLM, establishes a new overall state of the art among similarly sized models at 72.42%, remaining competitive with GPT-6 Astra (71.35%). With entropy-guided decoding, GroundAnything also surpasses the prior state of the art at this scale, averaging 61.75% versus 53.32% for the fast MTP-based LocateAnything model. We further explore decoding strategies, showing that an optional self-speculative mode achieves a $4.51\times$ speedup over the AR counterpart with a 0.74 percentage-point drop in COCO F1mIoU. Infrastructure experiments show that progressive inference optimizations translate parallel decoding into practical speedups. These support efficient visual grounding in latency-sensitive real-world systems.
- Abstract（参考訳）: 自己回帰(AR)グラウンドモデルは、空間予測をシリアライズし、逐次遅延を導入し、出力トークンに因果順序を付与する。
対象、位置、空間的関係は画像とクエリによって協調的に制約されるが、それらの依存関係は本質的な左から右への生成順序を意味するものではない。
この区別により、双方向の拡散は自然に適合し、空間仮説が平行に現れ、反復的妄想を通じて共同で洗練される。
GroundAnythingは,高速並列デコーディングをブロックワイズによる正確なローカライゼーションで再現する4Bパラメータ基底モデルである。
トレーニングは、公開データセットと専用データエンジンからの事前トレーニング、関節ARと拡散目標との直接AR-拡散変換、教師付き微調整、GRPOベースの強化後トレーニングを組み合わせている。
30のグラウンドベンチマークのうち、我々の自己回帰型である GroundAnything-VLM は、72.42% で、GPT-6 Astra (71.35%) と競合し続けている。
エントロピー誘導復号法では、GroundAnythingはこのスケールで先行した最先端を上回り、高速MPPベースのLocateAnythingモデルでは平均61.75%対53.32%である。
我々はさらにデコード戦略を探求し、オプションの自己推測モードが、COCO F1mIoUの0.74ポイントの減少でARよりも4.51\times$スピードアップを達成することを示した。
インフラ実験では、プログレッシブ推論最適化が並列デコーディングを実用的なスピードアップに変換することが示されている。
これらは、レイテンシに敏感な現実世界システムにおける効率的な視覚的接地をサポートする。
関連論文リスト
- Diffusion-based 4D Trajectory Prediction and Distributed Control for UAV Swarms [9.09854701245782]
不確実性を考慮した予測モデル予測制御(DNMPC)と粗大から細大の軌道予測を結合した統合フレームワークを提案する。
提案手法は, 軸方向の運動を予測して計算複雑性を低減する次元分離軌道予測モジュールと, 時間的に相関する動的不確かさを捉える拡散型残留力学改善モジュールの2つの重要な革新を特徴とする。
我々のアプローチは最先端のベースラインを上回り、軌跡追尾誤差をtextbf10-15% まで低減し、複雑な都市・工業におけるsub-textbf0.07,m平均追尾誤差を達成する。
論文 参考訳（メタデータ） (2026-06-30T06:26:34Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - Improved Baselines with Representation Autoencoders [61.47127824064028]
表現オートエンコーダ(RAE)は、従来のVAEを事前訓練された視覚エンコーダに置き換える。
RAEを単純化し、改善する3つの洞察が得られます。
RAEv2はオリジナルのRAEよりも10倍以上早く収束する。
論文 参考訳（メタデータ） (2026-05-18T12:42:34Z) - Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。
我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。
NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
論文 参考訳（メタデータ） (2026-05-11T09:21:04Z) - From AR to Diffusion: Efficiently Adapting Large Language Models with Strictly Causal and Elastic Horizons [74.25767873168745]
拡散モデルは効率的な並列テキスト生成を約束するが、双方向の注意に依存し、事前訓練された自己回帰(AR)モデルによる構造的ミスマッチを生成する。
本稿では,ARバックボーンを拡散パラダイムに効率的に適応するフレームワークであるFLUIDを提案する。
実験により、FLUIDは訓練コストを桁違いに削減しつつ、最先端の性能を達成することが示された。
論文 参考訳（メタデータ） (2026-04-11T13:18:27Z) - SIMPLER: Efficient Foundation Model Adaptation via Similarity-Guided Layer Pruning for Earth Observation [3.1313965020437546]
SIMPLERは,予測とデプロイメントのコストを削減できるアーキテクチャ選択手法である。
Prithvi-EO-2では、SIMPLERは最大79%のパラメータを持ち、ベースライン性能は94%であり、2.1倍のトレーニングスピードアップと2.6倍の推論スピードアップをもたらす。
論文 参考訳（メタデータ） (2026-03-20T11:38:32Z) - LTMSformer: A Local Trend-Aware Attention and Motion State Encoding Transformer for Multi-Agent Trajectory Prediction [6.520837230073969]
軌道予測のための時間空間相互作用特徴を抽出する軽量なフレームワークLTMSformerを提案する。
また、アクセラレーション、ジャーク、誘導などの高次動作状態属性を組み込むモーションステートも構築しています。
実験の結果,HVT-64法はベースラインよりも優れ,minADE法は約4.35%,minFDE法8.74%,MR法20%の低下を示した。
論文 参考訳（メタデータ） (2025-07-07T03:33:14Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Sequential Place Learning: Heuristic-Free High-Performance Long-Term
Place Recognition [24.70946979449572]
学習ベースのCNN+LSTMアーキテクチャを開発し、バックプロパゲーションを通じてトレーニングし、視点および外観不変の場所認識を実現します。
我々のモデルは、新しい最先端パフォーマンス標準を設定しながら、15の古典的手法より優れています。
さらに, SPL は 729 km の経路において, 従来の方法よりも 70 倍高速に展開可能であることを示す。
論文 参考訳（メタデータ） (2021-03-02T22:57:43Z)
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。