論文の概要: Spatial Latent Reasoning for Embodied Reference Understanding
- arxiv url: http://arxiv.org/abs/2610.09418v1
- Date: Wed, 07 Oct 2026 04:20:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.715908
- Title: Spatial Latent Reasoning for Embodied Reference Understanding
- Title（参考訳）: 身体的基準理解のための空間潜在推論
- Abstract要約: 幾何学的および視覚的状態の順序づけられた列の周囲の監督を指示する枠組みを提案する。
EgoPoint-Groundでは、mIoUを2.8、17.5、21.1ポイントの微調整で改善している。
YouRefItでは、IoU0.5で77.6%の精度を達成した。
- 参考スコア（独自算出の注目度）: 29.844367925922658
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pointing-gesture visual grounding requires connecting hand geometry with the visual identity and extent of a referred object. A central challenge for continuous latent reasoning is how to organize these complementary cues into useful intermediate supervision. We propose Spatial Latent Reasoning (SLR), a framework that structures this supervision around an ordered sequence of geometric and visual states. A spatial ray state is supervised by fingertip position and pointing direction, followed by four states aligned with target-region features. To construct the visual targets, we introduce parity pooling, which applies polyphase grouping to average region tokens on four interleaved spatial supports. All states are generated recurrently during training and inference; auxiliary annotations are required only during training. On EgoPoint-Ground, the framework improves mIoU over same-backbone supervised fine-tuning by 2.8, 17.5, and 21.1 percentage points on Qwen3.5-4B, Qwen2.5-VL-7B, and Qwen3-VL-8B, respectively, with improvements on both hard subsets. On YouRefIt, it achieves 77.6% precision at IoU 0.5, a numerical margin of 5.2 percentage points over the reported state of the art under differing evaluation protocols. Ablations support joint geometric and visual supervision on the standard and similar-object sets, and favor parity over three alternative pooling operators on the standard set. These results support task-structured supervision for continuous pointing grounding. We will release the code and supporting materials.
- Abstract（参考訳）: 位置姿勢の視覚的接地には、手形状と参照対象の視覚的アイデンティティと範囲を結びつける必要がある。
連続潜伏推論における中心的な課題は、これらの補完的手がかりを有用な中間的監視にどのように整理するかである。
本稿では,空間潜在推論(SLR)を提案する。これは幾何学的および視覚的状態の順序付きシーケンスを中心に,この監視を構造化するフレームワークである。
指先位置とポインティング方向とで空間線状態が監視され、続いて目標領域の特徴に沿って4つの状態が調整される。
視覚的目標を構築するために,4つのインターリーブ空間支持体の平均領域トークンに多相グルーピングを適用したパリティプーリングを導入する。
すべての状態はトレーニングと推論中に繰り返し生成され、補助アノテーションはトレーニング中にのみ必要となる。
EgoPoint-Groundでは、このフレームワークは、それぞれQwen3.5-4B、Qwen2.5-VL-7B、Qwen3-VL-8Bの2.8、17.5、21.1の微調整でmIoUを改善する。
YouRefItでは、IoU 0.5で77.6%の精度を達成した。
アブレーションは、標準および類似対象集合における共同幾何学的および視覚的監督をサポートし、標準集合上の3つの代替プール作用素よりもパリティを好む。
これらの結果は、連続的なポインティンググラウンドのためのタスク構造化の監視を支援する。
コードとサポート資料を公開します。
関連論文リスト
- SpatialSpeak: QA-Native Reconstruction with Local and Global Context for Spatial Chain-of-Thought Reasoning [37.90681269629914]
視覚言語モデル(VLM)は、多視点空間推論の幾何学的先行の恩恵を受けることができる。
解答のみのトレーニングは、中間幾何学的推定と定量的空間的回答の導出におけるそれらの使用を直接監督するものではない。
本研究では,空間的CoT学習と事前学習を結びつける2段階のフレームワークであるSpatialSpeakを紹介する。
論文 参考訳（メタデータ） (2026-09-27T14:31:57Z) - SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。
本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
論文 参考訳（メタデータ） (2026-06-11T17:59:36Z) - Embodied3DBench: Benchmarking Low-Level Embodied Spatial Intelligence of Vision Language Models [50.6415287154632]
Embodied3DBenchは3D環境における低レベル空間インテリジェンスをターゲットにしたロボット中心のベンチマークである。
ベンチマークは12のサブカテゴリにまたがり、21万以上の高品質な質問応答ペアを含んでいる。
論文 参考訳（メタデータ） (2026-05-27T20:28:56Z) - ConsisVLA-4D: Advancing Spatiotemporal Consistency in Efficient 3D-Perception and 4D-Reasoning for Robotic Manipulation [43.908745501880794]
ConsisVLA-4Dは3次元知覚と4次元推論における時間的一貫性を高める。
オブジェクト・セマンティック・トークン CV-Aligner から局所力学の暗黙的な知識を、CO-Fuser の幾何学的トークンから学習する。
21.6%と41.5%のパフォーマンス向上と2.3倍と2.4倍の推論高速化を実現している。
論文 参考訳（メタデータ） (2026-05-06T16:55:44Z) - Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。
PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
論文 参考訳（メタデータ） (2026-03-26T08:31:06Z) - SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
UAV VLNのための幾何学誘導空間表現フレームワークを提案する。
明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。
実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2026-03-22T03:56:58Z) - GLASS: Graph and Vision-Language Assisted Semantic Shape Correspondence [16.503835991826367]
GLASSは、幾何学的スペクトル分析と、視覚言語基礎モデルからのリッチなセマンティック先行情報を統合することでギャップを埋めるフレームワークである。
i) 強力なビジョン基盤モデルから堅牢な多視点視覚特徴抽出を可能にするビュー一貫性戦略。
クラス間ベンチマークSMALと非等尺ベンチマークSMALとTOPKIDSの平均測地誤差は0.21、4.5、および5.6であり、それぞれ0.49、6.0、8.9のURSSMベースラインからの誤差を57%、25%、および37%削減している。
論文 参考訳（メタデータ） (2026-03-08T14:33:50Z) - EgoReasoner: Learning Egocentric 4D Reasoning via Task-Adaptive Structured Thinking [34.29831801830779]
EgoReasonerは、各タスクの認知構造に推論の足場と報酬信号を調整するフレームワークである。
本モデルでは,HD-EPICベンチマークで平均37.5%の精度を達成し,Qwen2.5-VL-7Bを10点以上上回った。
論文 参考訳（メタデータ） (2026-03-06T18:49:04Z) - Referring Remote Sensing Image Segmentation via Bidirectional Alignment Guided Joint Prediction [7.8862197224709805]
私たちのフレームワークは、視覚と言語の間のギャップを埋め、マルチスケールの機能相互作用を強化し、オブジェクトの微粒化を改善するために設計された新しいフレームワークです。
ベンチマークデータセットであるRefSegRSとRRSIS-Dの実験は、我々の成果が最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-02-12T15:21:18Z) - PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。
我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。
クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。
ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文 参考訳（メタデータ） (2020-04-03T16:26:37Z)
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。