論文の概要: Relational Abstractions for Spatial Reasoning with Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.09780v1
• Date: Wed, 07 Oct 2026 10:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.848724
• Title: Relational Abstractions for Spatial Reasoning with Diffusion Models
• Title（参考訳）: 拡散モデルを用いた空間推論のための関係抽象化
• Abstract要約: 拡散モデルを用いた空間推論のための新しい枠組みを提案する。 対象中心表現から導かれる関係知識は,構造的プリミティブを持つ拡散モデルに富むことを示す。 人間の解答に触発された4つのデータセットを用いた大規模生成空間推論ベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 8.553624935072873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models excel at image synthesis, but they remain limited in their ability to reliably satisfy structured spatial reasoning constraints. In conditional data distribution modeling tasks with implicit logical structure, such as puzzles defined by visible clues paired with consistent solutions, state-of-the-art generative models tend to approximate pixel-space distributions without learning the underlying logical rules required for inference. To address this limitation, we present a novel framework for spatial reasoning with diffusion models that leverages unsupervised object discovery and abstractions of object relations. We show that the relational knowledge derived from object-centric representations enriches diffusion models with structural primitives, allowing them to effectively guide the generative representation space during both training and inference, and enabling conditional image generation that satisfies reasoning constraints. Additionally, we introduce a large-scale generative spatial reasoning benchmark with four datasets inspired by human-solvable puzzles. Our results show that relational abstractions significantly improve reasoning capabilities of diffusion models on a variety of complex reasoning tasks, while enabling robust generalization in out-of-distribution settings.
• Abstract（参考訳）: 拡散モデルは画像合成において優れるが、構造的空間推論の制約を確実に満たす能力には限界がある。 暗黙的な論理構造を持つ条件付きデータ分散モデリングタスク(例えば、一貫した解と組み合わせた可視的手がかりによって定義されるパズル)では、最先端の生成モデルは推論に必要な論理規則を学習することなくピクセル空間の分布を近似する傾向がある。 この制限に対処するため,非教師対象の発見とオブジェクト関係の抽象化を利用した拡散モデルを用いた空間推論のための新しいフレームワークを提案する。 対象中心表現から派生した関係知識は、構造的プリミティブとの拡散モデルを強化し、トレーニングと推論の両方において生成表現空間を効果的にガイドし、推論制約を満たす条件付き画像生成を可能にする。 さらに,人間の解けるパズルにインスパイアされた4つのデータセットを用いた大規模空間推論ベンチマークを導入する。 この結果から, 分散モデルの多種多様な推論課題における推論能力の向上と, 分布外条件下でのロバストな一般化の実現が期待できることがわかった。

関連論文リスト

• Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality [52.57416398859353]
  因果的最小性は、明確な因果的解釈と頑健でコンポーネント単位で識別可能な制御を持つ拡散視覚と自己回帰言語モデルの潜在表現を許容できることを示す。 我々は階層的選択モデルのための新しい理論的枠組みを導入し、より高レベルな概念は低レベルの変数の制約された構成から生まれる。 これらの因果的基礎を持つ概念は、きめ細かいモデルステアリングのレバーとして機能し、透明で信頼性の高いシステムへの道を開く。
  論文  参考訳（メタデータ） (2025-12-11T14:59:14Z)
• The Evolving Nature of Latent Spaces: From GANs to Diffusion [2.9612444540570113]
  拡散モデルが表現の重みをいかに断片化し、統一された内部空間の仮定に挑戦するかを示す。 我々は、生成的AIがどのように理解されているかを再考する:コンテンツを直接合成するのではなく、専門的なプロセスの創発的な構成としてである。
  論文  参考訳（メタデータ） (2025-10-20T10:20:42Z)
• A Convergence Theory for Diffusion Language Models: An Information-Theoretic Perspective [8.15094483029656]
  拡散モデルは並列トークンサンプリングを可能にし、より高速な生成と左から右への生成制約を排除する。 我々は情報理論の観点から拡散言語モデルの収束保証を開発する。 これらの結果は拡散言語モデルの実用性に関する新たな理論的洞察を与える。
  論文  参考訳（メタデータ） (2025-05-27T16:24:20Z)
• Decoding Diffusion: A Scalable Framework for Unsupervised Analysis of Latent Space Biases and Representations Using Natural Language Prompts [68.48103545146127]
  本稿では拡散潜在空間の教師なし探索のための新しい枠組みを提案する。 我々は、自然言語のプロンプトと画像キャプションを直接利用して、遅延方向をマップする。 本手法は,拡散モデルに符号化された意味的知識をよりスケーラブルで解釈可能な理解を提供する。
  論文  参考訳（メタデータ） (2024-10-25T21:44:51Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Diffusion Model with Cross Attention as an Inductive Bias for Disentanglement [58.9768112704998]
  遠方表現学習は、観測データ内の本質的要因を抽出する試みである。 我々は新しい視点と枠組みを導入し、クロスアテンションを持つ拡散モデルが強力な帰納バイアスとなることを示す。 これは、複雑な設計を必要とせず、クロスアテンションを持つ拡散モデルの強力な解離能力を明らかにする最初の研究である。
  論文  参考訳（メタデータ） (2024-02-15T05:07:54Z)
• Let us Build Bridges: Understanding and Extending Diffusion Generative Models [19.517597928769042]
  拡散に基づく生成モデルは、最近、有望な結果を得たが、多くのオープンな疑問を提起している。 この研究は、理論的な理解を深めるために、全体的なフレームワークを再検討しようと試みている。 1)拡散生成モデルを学習するための最初の理論的誤り解析,2)異なる離散および制約された領域からのデータを学ぶための単純で統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-31T08:58:10Z)

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。