論文の概要: ContourVLA: A Closed-Loop Perception-Action Contour Policy for Generalized Referring Expression Segmentation

• arxiv url: http://arxiv.org/abs/2610.12107v1
• Date: Thu, 08 Oct 2026 15:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.107987
• Title: ContourVLA: A Closed-Loop Perception-Action Contour Policy for Generalized Referring Expression Segmentation
• Title（参考訳）: ContourVLA: 一般化された参照表現セグメンテーションのための閉ループ知覚アクションコンターポリシー
• Abstract要約: 本稿では,GRESをクローズドループビジュモータプロセスとして再放送するビジョン言語アクションポリシーであるContourVLAを紹介する。 EASSはマルチレベルマルチモーダル特徴の状態条件付きルーティングを用いた輪郭誘導双方向境界サンプリングを結合する。 ContourVLAは、gRefCOCO val、testA、testBの8.7、2.8、および2.7ポイントで評価されたベースラインよりもgIoUを改善する。
• 参考スコア（独自算出の注目度）: 15.421377834736886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized referring expression segmentation (GRES) requires dynamically balancing high-level semantics for identifying a variable number of language-specified referents with fine-grained visual evidence for precise boundary delineation. This requirement challenges existing cascaded vision-language architectures, which typically rely on static feature interfaces and single-pass mask prediction, limiting adaptive perception and geometric correction. We introduce ContourVLA, a vision-language-action policy that recasts GRES as a closed-loop visuomotor process, in which editable contours serve as explicit policy states that condition multimodal perception and are updated by geometric action chunks. Evolution-Aware Semantic Scheduling (EASS) couples contour-guided bidirectional boundary sampling with state-conditioned routing of multilevel multimodal features, adapting perception to each contour state. Following supervised initialization, Dustbin-Augmented Entropic Credit Transport GRPO (DECT-GRPO) jointly optimizes discrete grounding and continuous contour actions with instance-level credits. Its rollout rewards and credits are derived from soft prediction-target correspondences that account for false positives and missed targets. ContourVLA improves gIoU over the strongest evaluated baselines by 8.7, 2.8, and 2.7 points on gRefCOCO val, testA, and testB, respectively, and achieves the highest mIoU across all eight RefCOCO, RefCOCO+, and RefCOCOg splits.
• Abstract（参考訳）: 一般化参照表現セグメンテーション(GRES)は、言語特定参照の変数数を正確に境界線を記述した詳細な視覚的証拠で識別するために、動的にハイレベルなセマンティクスのバランスをとる必要がある。 この要件は、静的な特徴インタフェースとシングルパスマスク予測に依存し、適応的な知覚と幾何補正を制限する既存の視覚言語アーキテクチャに挑戦する。 本稿では,GRESをクローズドループビジュモータプロセスとして再認識する視覚言語アクションポリシーであるContourVLAを紹介し,編集可能な輪郭を条件付きマルチモーダル認識の明示的なポリシーとして機能し,幾何学的アクションチャンクによって更新されることを示す。 Evolution-Aware Semantic Scheduling (EASS)は、輪郭誘導双方向境界サンプリングとマルチレベルマルチモーダル特徴の状態条件ルーティングを結合し、各輪郭状態に対する知覚を適応させる。 Dustbin-Augmented Entropic Credit Transport GRPO (DECT-GRPO) は、教師付き初期化に続いて、個別の接地および連続的な輪郭行動とインスタンスレベルのクレジットを共同で最適化する。 そのロールアウト報酬とクレジットは、偽陽性と見逃したターゲットを考慮に入れたソフトな予測ターゲット対応に由来する。 ContourVLAは、gRefCOCO val、testA、testBにおいて、最も評価の高いベースラインである8.7、2.8、および2.7ポイントよりもgIoUを改善し、8つのRefCOCO、RefCOCO+、RefCOCOgスプリットの中で最も高いmIoUを達成する。

関連論文リスト

• HISPO: Hierarchical Importance-Sampling Policy Optimization with Entropy-Derived Segments [3.6883184884620004]
  検証可能な報酬(RLVR)を用いた強化学習は、言語モデルにおける数学的推論を改善するための中心的なアプローチとなっている。 解トレースの異なる部分が最終的な正しさに不均一に寄与する可能性がある。 ロールアウト時間エントロピー由来の連続セグメントを構成するセグメントレベルのポリシー最適化手法である階層的重要度サンプリングポリシー最適化(HISPO)を導入する。
  論文  参考訳（メタデータ） (2026-09-14T12:29:00Z)
• Learning Where Outcomes Change:Credit-Addressable Reasoning for Multimodal Geometry [105.89493240787861]
  推論中に露出したセマンティックユニットは、学習が代替品と比較し、クレジットを割り当てる場所を定義する。 我々は,この原理を,ライン順応可能な実行可能コードとして視覚的関係を表すCode-CoTでインスタンス化し,推論を型付きイベントに整理する。 9つの幾何ベンチマークで、CE-GRPOは平均76.04の精度を達成し、Qwen3-VL-8Bと軌跡レベルGRPOをそれぞれ8.09$と3.43ポイント上回る。
  論文  参考訳（メタデータ） (2026-08-31T08:44:36Z)
• Not All Tokens See Equally: Perception-Grounded Policy Optimization for Large Vision-Language Models [38.47027398567909]
  Perception-Grounded Policy Optimization (PGPO)は、トークンレベルでのメリットを動的に再評価する、新しいきめ細かなクレジット割り当てフレームワークである。 PGPOは,言語的先行音からの勾配雑音を抑えつつ,視覚的に依存するトークンの学習信号を積極的に増幅することを示す。 理論的および実証的な分析は、PGPOが勾配の分散を効果的に減少させ、訓練の崩壊を防ぎ、頑健で知覚的なマルチモーダル推論のための強力な正則化剤として機能することを確認する。
  論文  参考訳（メタデータ） (2026-04-02T09:53:20Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Anchoring Values in Temporal and Group Dimensions for Flow Matching Model Alignment [61.80228667422234]
  VGPOは時間次元とグループ次元の両方で値の推定を再定義する。 スパース端末の報酬を密度の高いプロセス認識値推定に変換する。 標準群正規化を絶対値によって強化された新しいプロセスに置き換え、安定した最適化信号を維持する。
  論文  参考訳（メタデータ） (2025-12-13T16:31:26Z)
• LIHE: Linguistic Instance-Split Hyperbolic-Euclidean Framework for Generalized Weakly-Supervised Referring Expression Comprehension [42.52759428579815]
  既存のWeakly-Supervised Referring Expression (WREC) メソッドは、基本的に1対1のマッピング仮定によって制限される。 Weakly-Supervised Generalized Referring Expression Task (WGREC)を導入する。 本稿では,2段階で動作するLingguistic Instance-Split-Euclidean (LIHE) という新しいWGRECフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T04:06:57Z)

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。