論文の概要: CoEvolve: Construct-to-Edit Visual Grounding with Bidirectional State Refinement

• arxiv url: http://arxiv.org/abs/2610.01710v1
• Date: Thu, 01 Oct 2026 13:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.173173
• Title: CoEvolve: Construct-to-Edit Visual Grounding with Bidirectional State Refinement
• Title（参考訳）: CoEvolve: 双方向ステートリファインメントによるコンストラクト・トゥ・エディット・ビジュアルグラウンド
• Abstract要約: 我々は,基盤を明示的な状態構築と状態編集に分離するコンストラクト・ツー・エジット・フレームワークであるCoEvolveを紹介した。 地域進化強化(Rerea-Evolution Reinforcement, RER)は、進化的意味論的-空間的-軌道に基底解析を編成する。 双方向Denoising Refiner (BDR) は、推論テキストを固定意味文脈として扱う。
• 参考スコア（独自算出の注目度）: 33.24087446158851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual grounding localizes an object described by language with a bounding box. Most multimodal grounding models compress target identification, spatial reasoning, and boundary estimation into one terminal prediction. Free-form rationales make reasoning linguistically explicit but do not necessarily expose measurable, editable spatial states. Intermediate localization errors are therefore difficult to diagnose and correct, allowing incorrect region choices and imprecise boundaries to persist in the final box. We introduce CoEvolve, a construct-to-edit framework that separates grounding into explicit state construction and state editing. Region-Evolution Reinforcement (RER) organizes grounding analysis into a progressive semantic--spatial trajectory, with each reasoning step committing to an explicit candidate region. Bidirectional Denoising Refiner (BDR) treats the reasoning text as fixed semantic context and refines the trajectory's coordinate fields through bidirectional same-position reconstruction. Geometry- and behavior-level objectives provide target geometry and edit-preference signals for consolidating reliable candidates, preserving accurate inputs, or correcting toward annotations. Evaluations cover natural-image and remote-sensing grounding. With a 9B backbone, CoEvolve rivals models up to 241B parameters in grounding accuracy. Under controlled corruption, a single BDR pass improves mean box overlap by over 27 percentage points, demonstrating strong recovery from substantial localization errors. State-source comparisons further support the complementarity of explicit state construction and source-matched editing. The project is at https://sundongwei.github.io/CoEvolve_Project/.
• Abstract（参考訳）: ビジュアルグラウンドは、言語で記述されたオブジェクトをバウンディングボックスでローカライズする。 ほとんどのマルチモーダルグラウンドモデルは、ターゲット識別、空間的推論、境界推定を1つの端末予測に圧縮する。 自由形式の有理性は言語学的に明確であるが、必ずしも測定可能で編集可能な空間状態を公開するとは限らない。 したがって、中間ローカライゼーションエラーは診断と修正が困難であり、不正確な領域の選択と不正確な境界が最終ボックスに保持される。 我々は,基盤を明示的な状態構築と状態編集に分離するコンストラクト・ツー・エジット・フレームワークであるCoEvolveを紹介した。 領域進化強化(Rerea-Evolution Reinforcement、RER)は、各推論ステップが明示的な候補領域にコミットする、プログレッシブなセマンティック-空間軌道に基底解析を編成する。 双方向Denoising Refiner (BDR) は、推論テキストを固定意味文脈として扱い、双方向の同位置再構成によって軌道の座標場を洗練する。 幾何学的および行動レベルの目的は、信頼性のある候補の統合、正確な入力の保存、アノテーションに対する修正のためのターゲット幾何学と編集-推奨信号を提供する。 自然画像とリモートセンシンググラウンドを対象とする評価 9Bのバックボーンで、CoEvolveは最大241Bのパラメータをグラウンド精度で比較する。 制御された汚職の下で、1つのBDRパスは平均ボックスオーバーラップを27ポイント以上改善し、相当なローカライゼーションエラーから強い回復を示す。 ステートソース比較は、明示的なステート構築とソースマッチング編集の相補性をさらにサポートする。 プロジェクトはhttps://sundongwei.github.io/CoEvolve_Project/にある。

関連論文リスト

• MinCU: A Fine-Grained Benchmark for Grounded Minimal-Change Understanding in Image Pairs [75.68851107229308]
  マルチモーダル大言語モデル(MLLM)において、身近な画像間のきめ細かい相違の局所化と記述は、重要で未探索の能力である。 各サンプルは、対象カテゴリ、属性、カウント、空間的位置の1つの原子的変化によって異なる画像対から構成される。
  論文  参考訳（メタデータ） (2026-09-20T03:48:09Z)
• SASGeo: Stability-Aware Semantic Map Localization for GNSS-Denied UAVs -- A Framework and Synthetic Proof of Concept [0.0]
  sasは、永続的な構造を通して環境を表現するセマンティックマップローカライゼーションフレームワークである。 sasは意味的アライメント、グラフのエビデンス、特徴安定性と地理的特異性、明示的な肯定的/矛盾的/未知の観察、曖昧な修正の完全性を無視する。 予備実験は実飛行航法を検証せず、むしろ、構造的意味幾何学が制御された横方向の摂動の下で位置を識別できることを実証している。
  論文  参考訳（メタデータ） (2026-07-07T16:57:43Z)
• Draw2Think: Harnessing Geometry Reasoning through Constraint Engine Interaction [59.47026381165585]
  視覚言語モデルは精度を上げて幾何学的問題を解くが、その中間状態は潜伏し、検証できないままである。 我々は,GeoGebra制約エンジンとのエージェント相互作用に潜時空間推論から幾何推論を再キャストするフレームワークDraw2Thinkを提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:46:14Z)
• Text Corpora as Concept Fields: Black-Box Hallucination and Novelty Measurement [3.035872403903575]
  本稿では,テキストコーパスのtextbfConcept Field について紹介する。 我々は、観測されたデルタとフィールドの局所ガウス推定の間の平均的な絶対的なz-距離である$で、フィールドとの合意を採点する。 提案手法は, 連邦規制法典に基づく接地性検出と, プロジェクト・グーテンベルクにおける新規性検出の2つの大規模設定において評価される。
  論文  参考訳（メタデータ） (2026-05-06T16:38:49Z)
• BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sentence Grounding in Videos [19.280799998526636]
  時間文の接頭辞は、言語記述に関連するモーメントをローカライズすることを目的としている。 境界指向モーメントの新たな定式化を提案する。 提案手法の有効性を3つのベンチマークで検証した。
  論文  参考訳（メタデータ） (2023-11-30T07:16:11Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• 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)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。