論文の概要: GeoLatent: Geometry-Guided Latent Structuring with Routed Optimization for 3D Reasoning

• arxiv url: http://arxiv.org/abs/2610.02091v1
• Date: Thu, 01 Oct 2026 17:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.328184
• Title: GeoLatent: Geometry-Guided Latent Structuring with Routed Optimization for 3D Reasoning
• Title（参考訳）: GeoLatent:3次元推論のためのルート最適化による幾何誘導潜時構造
• Abstract要約: テキストベースの手法は、離散トークンによる中間幾何学を記述し、連続空間関係に対する忠実度を制限する。 分解された空間ラテントは、幾何学的監督の下で位置、方向、大域幾何学を別々に表現することでこの問題に対処する。 我々はGeoLatentを導入し、CR-GEO(Common-Residual Geometry Alignment)とルート最適化を組み合わせることで、潜在的応答学習を促進しながら、幾何学状態を構成する。
• 参考スコア（独自算出の注目度）: 97.7444853542192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite progress in vision-language models, 3D spatial reasoning from 2D images remains challenging. Text-based methods describe intermediate geometry with discrete tokens, limiting fidelity for continuous spatial relations. Continuous latents offer richer representations, but a single latent type does not explicitly separate the cues needed across spatial tasks. Decomposed spatial latents address this by representing position, direction, and global geometry separately under geometric supervision. Yet the geometry representation can still collapse toward one dominant direction, and unrestricted attention can leave the latents underused during answer learning. We introduce GeoLatent, combining Common--Residual Geometry Alignment (CR-GEO) with routed optimization to structure the geometry states while promoting latent-mediated answer learning. CR-GEO separates shared from residual teacher geometry; routed optimization jointly trains geometry and language, temporarily directs visual answer learning through the latents, and restores full attention with geometry supervision. In controlled comparisons, CR-GEO raises geometry effective rank from 1.00 to 3.87, while blocking latent readout at the bottleneck lowers direction accuracy from 89.1% to 25.8% on 128 fixed questions. After recovery, the differentiated geometry representation and latent-mediated visual route remain available alongside direct image access. GeoLatent achieves 73.0% on SPAR-Bench and 72.1% on SPBench, outperforming previously reported methods on both.
• Abstract（参考訳）: 視覚言語モデルの進歩にもかかわらず、2次元画像からの空間的推論は依然として困難である。 テキストベースの手法は、離散トークンによる中間幾何学を記述し、連続空間関係に対する忠実度を制限する。 連続ラテントはよりリッチな表現を提供するが、単一のラテント型は空間的なタスクで必要なキューを明示的に分離しない。 分解された空間ラテントは、幾何学的監督の下で位置、方向、大域幾何学を別々に表現することでこの問題に対処する。 しかし、幾何表現は依然として1つの支配的な方向に向かって崩壊しうるし、制限のない注意は、回答学習中に潜伏者が過小評価されることになる。 我々はGeoLatentを導入し、CR-GEO(Common-Residual Geometry Alignment)とルート最適化を組み合わせることで、潜在的応答学習を促進しながら、幾何学状態を構成する。 CR-GEOは、残余の教師幾何学から分離し、経路最適化は、幾何学と言語を共同で訓練し、潜伏者を通して視覚的解答学習を一時的に指示し、幾何学の監督によって完全な注意を回復する。 制御された比較では、CR-GEOは幾何有効ランクを1.00から3.87に引き上げ、ボトルネックにおける遅延読み出しをブロックすると、128の固定された質問に対して89.1%から25.8%に低下する。 回復後、識別された幾何学表現と潜在的視覚経路は、直接画像アクセスと共に利用可能である。 GeoLatentはSPAR-Benchで73.0%、SPBenchで72.1%を達成する。

関連論文リスト

• Learning Propagation Geometry from Message-Passing Feedback [58.684834960683226]
  GeoFは、メッセージパッシングフィードバックを通じてノード機能と伝搬幾何学を進化させる、反復的なフレームワークである。 ベンチマークデータセットの実験は、GeoFが最先端のGNNベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-09-28T09:22:49Z)
• GeoAnchor: Collaborative Reasoning via Latent Decomposition for 3D Spatial Understanding [45.67186918674009]
  GeoAnchorは、3次元空間関係のためのインターリーブテキストラテント推論フレームワークである。 3次元空間情報を3つの相補的な構成要素に分解する: 物体の接地位置潜時、リレーショナル配向方向潜時、シーン構造における幾何潜時である。 多様な複雑な3D推論タスクの実験により、GeoAnchorは、その有効性と一般化能力を検証して、技術の状態より優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-15T05:27:37Z)
• Make Geometry Matter for Spatial Reasoning [62.61667611352403]
  視覚言語モデル(VLM)は、強いイメージと映像理解を実現するが、静的シーンとダイナミックビデオの両方で空間的推論を行う能力は限られている。 近年の進歩は、事前訓練された3次元基礎モデルから幾何学トークンをVLMに注入することで、この制限に対処しようとしている。 我々は、VLMが幾何トークンで積極的に推論するように促すことにより、幾何学的問題を作るためのフレームワークGeoSRを提案する。
  論文  参考訳（メタデータ） (2026-03-27T17:45:12Z)
• Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
  我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。 特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。 その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-05T18:59:32Z)
• GeoPE:A Unified Geometric Positional Embedding for Structured Tensors [12.459742491179947]
  四元数を用いて回転を3次元ユークリッド空間に拡張するGeoPE(Geometric Positional Embedding)を導入する。 非可換性を克服し対称性を確保するため、GeoPEはリー代数の幾何平均を計算することによって統一回転作用素を構成する。 画像分類、オブジェクト検出、および3Dセマンティックセグメンテーションの実験は、GeoPEが既存の2D RoPEの派生よりも一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-12-04T16:31:12Z)
• GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
  2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。 3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。 遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-10-02T16:37:56Z)

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。