論文の概要: DIVA: Dual-Space Intent-Aware Visual Attenuation for Vision-Language-Action Policies
- arxiv url: http://arxiv.org/abs/2610.09144v1
- Date: Tue, 06 Oct 2026 21:37:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.615353
- Title: DIVA: Dual-Space Intent-Aware Visual Attenuation for Vision-Language-Action Policies
- Title（参考訳）: DIVA:ビジョンランゲージ・アクション・ポリシーのためのデュアルスペースインテント対応視覚減衰
- Abstract要約: 視覚言語アクション(VLA)ポリシーは、密集した視覚パッチトークンを言語アクションバックボーンに供給する。
本稿では,2次元空間入射型視覚減衰モジュールであるDIVAについて紹介する。
- 参考スコア（独自算出の注目度）: 12.857707738840217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action (VLA) policies typically feed dense visual patch tokens into a language-action backbone, preserving scene context but offering no explicit mechanism to regulate how strongly different visual tokens influence policy computation. We introduce DIVA, a Dual-Space Intent-Aware Visual Attenuation module with an anchor-then-attenuate design. DIVA combines high-level task intent with low-level visual evidence to estimate patch-wise relevance anchors, then applies them in two complementary spaces: it reweights projected visual tokens before backbone entry and persistently attenuates low-relevance visual states within the backbone. DIVA preserves the full visual token sequence and requires no external grounding supervision. On LIBERO, DIVA improves OpenVLA-OFT from 96.6% to 98.0% average success and raises its zero-shot LIBERO-Plus score from 69.6 to 72.6. Real-world experiments further show consistent gains under task-irrelevant visual perturbations, supporting the robustness of intent-aware visual attenuation beyond simulation.
- Abstract（参考訳）: 視覚言語アクション(VLA)ポリシーは通常、密集した視覚的パッチトークンを言語アクションバックボーンにフィードし、シーンコンテキストを保存するが、異なる視覚的トークンがポリシー計算にどのように影響するかを規定する明確なメカニズムは提供しない。
本稿では,2次元空間入射型視覚減衰モジュールであるDIVAについて紹介する。
DIVAは、ハイレベルなタスク意図と低レベルな視覚的エビデンスを組み合わせてパッチの関連性アンカーを推定し、それらを2つの相補的な空間に応用する。
DIVAは完全なビジュアルトークンシーケンスを保持し、外部の接地監視を必要としない。
LIBEROでは、OpenVLA-OFTを96.6%から98.0%に改善し、ゼロショットのLIBERO-Plusスコアを69.6から72.6に引き上げている。
実世界の実験では、タスク非依存の視覚摂動の下で一貫した利得を示し、シミュレーションを超えた意図認識の視覚減衰の堅牢性をサポートする。
関連論文リスト
- VIVAS: Vitalizing Visual Perception in VLM Pre-training via Vision-language Unified Autoregressive Supervision [69.1715693679928]
VLM(Vision-Language Models)は、細粒度の視覚知覚に乏しく、多モード理解を制限している。
本稿では,高密度な構造・意味的視覚トークン化を実現する,統一トークン空間パラダイムに基づくフレームワークVIVASを提案する。
事前訓練中、VIVASは視覚的詳細と言語的内容の両方について視覚言語で統一された自己回帰監視を行う。
論文 参考訳（メタデータ） (2026-08-25T16:20:11Z) - UVU: Improving Multimodal Understanding via Vision-Language Unified Autoregressive Paradigm [68.1110411824096]
マルチモーダル大規模言語モデル(MLLM)は、教師あり学習パラダイムの下で優れたマルチモーダル理解性能を達成することができる。
本稿では,ベクトル量子化を実現する視覚言語統合型自己回帰フレームワークを提案する。
画素レベルの視覚知覚とセマンティックレベルの視覚理解を効果的に相乗し、視覚再構成能力を内部化し、事前学習段階における理解の促進における視覚監督の促進的な役割を解き放つ。
論文 参考訳（メタデータ） (2026-08-25T16:18:52Z) - Focus-then-Context: Subject-Centric Progressive Visual Token Reduction for Vision-Language Models [16.39553879497114]
SPprunerは主題中心のプログレッシブ・リダクション・パラダイムである。
人間の視覚知覚システムのtextitFocus-then-Contextメカニズムをエミュレートする。
視覚入力の高忠実度表現を保証するために、包括的視覚被写体スペクトルを掘削することができる。
論文 参考訳（メタデータ） (2026-05-20T09:37:53Z) - Visually-Guided Policy Optimization for Multimodal Reasoning [60.035908460318126]
本稿では,VGPO(Visually-Guided Policy Optimization)を提案する。
VGPOは当初、視覚的類似性を活用して視覚的手がかりをローカライズし増幅する視覚的注意補償機構を導入した。
VGPOは、数学的多モーダル推論や視覚依存タスクにおいて、より優れた視覚的活性化と優れた性能を実現する。
論文 参考訳（メタデータ） (2026-04-10T14:22:38Z) - One Token, Two Fates: A Unified Framework via Vision Token Manipulation Against MLLMs Hallucination [46.864482139261675]
現在のトレーニングフリー手法は、MLLM幻覚に異なる戦略で取り組む。
本稿では,コアアセットであるビジョントークンに着目した統一フレームワークを提案する。
これら2つの役割を調和させることで、我々のフレームワークは視覚言語バランスを効果的に回復する。
論文 参考訳（メタデータ） (2026-03-11T03:19:46Z) - ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。
具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。
本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文 参考訳（メタデータ） (2026-01-23T11:31:07Z) - ViPER: Empowering the Self-Evolution of Visual Perception Abilities in Vision-Language Model [61.29164681694533]
ViPERは、自己評価と自己予測を通じて反復的な進化を可能にするように設計されたセルフブートストラッピングフレームワークである。
Qwen-Viperは、汎用性を維持しながら、さまざまな視覚言語シナリオにおける優れたパフォーマンスを一貫して示す。
論文 参考訳（メタデータ） (2025-10-28T10:42:57Z) - VideoAnchor: Reinforcing Subspace-Structured Visual Cues for Coherent Visual-Spatial Reasoning [69.64660280965971]
VideoAnchorは、サブスペース親和性を活用してフレーム間の視覚的手がかりを強化するプラグイン・アンド・プレイモジュールである。
InternVL2-8BとQ2.5VL-72Bのベンチマークで一貫した性能向上を示した。
私たちのコードはhttps://github.com/feufhd/VideoAnchor.comで公開されます。
論文 参考訳（メタデータ） (2025-09-29T17:54:04Z)
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。