論文の概要: Mind the Spatial Gap: A Benchmark for Geospatial Reasoning and Constrained Spatial Editing
- arxiv url: http://arxiv.org/abs/2610.12881v1
- Date: Fri, 09 Oct 2026 02:16:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.351724
- Title: Mind the Spatial Gap: A Benchmark for Geospatial Reasoning and Constrained Spatial Editing
- Title（参考訳）: 空間ギャップの意識:空間的推論と制約付き空間編集のためのベンチマーク
- Abstract要約: 空間認知のエスカレーションを評価するためのベンチマークであるGeoSpatialBenchを紹介する。
GeoSpatialBenchは、地理的に多様な6つの都市にまたがる現実世界の都市データに基づいて、28のトポロジカル、指向性、メートル法、順序付け関係の包括的分類を評価している。
- 参考スコア（独自算出の注目度）: 29.153947015537167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding and manipulating spatial relations is fundamental to AI systems that reason about physical environments and construct grounded world models. However, existing evaluations of multimodal large language models (MLLMs) for spatial reasoning rely predominantly on static question-answering (QA) over small-scale or synthetic scenes, rarely probing whether models can modify spatial configurations while satisfying explicit geometric constraints. We introduce GeoSpatialBench, a benchmark designed to evaluate an escalating progression of spatial cognition, ranging from spatial relation understanding and geometric reasoning to constrained spatial editing. Grounded in real-world urban data across six geographically diverse cities, GeoSpatialBench evaluates a comprehensive taxonomy of 28 topological, directional, metric, and ordering relations across structured GeoJSON and map image modalities, with ground-truth references and constraints verified via GIS operations. Our empirical evaluation across frontier MLLMs uncovers a stark spatial gap: structured GeoJSON consistently outperforms map images, with multimodal combinations offering no reliable gain over GeoJSON alone, and while models show reasonable competence on qualitative topological and ordering, performance drops on quantitative metric relations. Crucially, editing performance on ordering relations declines relative to QA, and most failed edits violate at least one specified spatial constraint. These results highlight a gap between passively recognizing spatial relations and actively manipulating geometric configurations. GeoSpatialBench provides an open, rigorous diagnostic testbed to benchmark these spatial limitations, laying essential empirical groundwork for physically grounded world models and embodied spatial AI.
- Abstract（参考訳）: 空間的関係を理解し、操作することは、物理的環境を推論し、接地された世界モデルを構築するAIシステムの基本である。
しかし、空間的推論のためのマルチモーダル大言語モデル (MLLM) の既存の評価は、小規模または合成シーンにおける静的質問応答 (QA) に大きく依存しており、明示的な幾何的制約を満たすことなく、モデルが空間的構成を変更できるかどうかを調査することは滅多にない。
空間的関係理解や幾何学的推論から制約付き空間編集まで,空間認知のエスカレーションの進行を評価するためのベンチマークであるGeoSpatialBenchを紹介する。
GeoSpatialBenchは、地理的に多様な6つの都市にまたがる実世界の都市データに基づいて、28のトポロジカル、指向性、メートル法、および構造されたGeoJSONと地図画像のモダリティ間の関係を包括的に分類し、GIS操作による地平的参照と制約を検証している。
構造化されたGeoJSONは、GeoJSON単独で信頼性の高いゲインを提供するマルチモーダルの組み合わせと、定性的トポロジカルおよび順序付けに合理的な能力を示す一方で、定量的な距離関係における性能低下を示す。
重要な点として、順序付け関係の編集性能はQAと比較して低下し、ほとんどの編集失敗は少なくとも1つの特定の空間制約に違反する。
これらの結果は、受動的に認識される空間関係と、幾何学的構成を積極的に操作するギャップを浮き彫りにする。
GeoSpatialBenchは、これらの空間的制限をベンチマークするために、オープンで厳密な診断ベッドを提供する。
関連論文リスト
- GeoViSTA: Geospatial Vision-Tabular Transformer for Multimodal Environment Representation [24.186635502118552]
ジオビスタ(Geospatial Vision-Tabular Transformer,Geospatial Vision-Tabular Transformer,Geospatial Vision-Tabular Transformer,Geospatial Vision-Tabular Transformer,Geospatial Vision-Tabular Transformer,Geospatial Vision-Tabular Transformer)を提案する。
我々は、GeoViSTAを自己教師付き共同マスク自動符号化目標で訓練し、欠落した画像パッチの復元を強制する。
結果は、構造化社会経済コンテキストとともに、物理的環境を共同でモデル化することで、高度に伝達可能な表現が得られることを示した。
論文 参考訳（メタデータ） (2026-05-14T05:46:07Z) - GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。
従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
論文 参考訳（メタデータ） (2026-02-13T04:48:05Z) - 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) - GeoBS: Information-Theoretic Quantification of Geographic Bias in AI Models [34.611626290720295]
我々はGeo-Biasスコア(Geo-Biasスコア)と呼ばれるジオバイアス評価のための情報理論の枠組みを確立する。
複雑な空間要因を考慮に入れた3つの新しい測地バイアススコアを提案する。
論文 参考訳（メタデータ） (2025-09-27T20:07:21Z) - Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities [13.206124101350847]
署名された距離場(SDF)にインスパイアされた新しい手法であるGeo2Vecを導入し、元の空間で直接動作する。
SDFを近似するように訓練されたニューラルネットワークは、すべてのジオエンタリティタイプに対してコンパクトで幾何学的、統一された表現を生成する。
実験結果から,Geo2Vecは形状と位置を表す既存の手法より一貫して優れており,トポロジカルおよび距離の関係を捉え,実世界のGeoAIアプリケーションにおいて高い効率を実現していることがわかった。
論文 参考訳（メタデータ） (2025-08-26T07:12:28Z) - Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations [4.302482081136594]
本研究では、空間的推論において、よく知られたテクスト(WKT)表現とその空間的関係が保持される範囲について検討する。
我々のワークフローは、比較のための空間的推論タスクを完成させるために、3つの異なるアプローチを採用している。
論文 参考訳（メタデータ） (2025-05-22T05:21:31Z) - OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。
地理空間応用に適したMLLM(OmniGeo)を提案する。
自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文 参考訳（メタデータ） (2025-03-20T16:45:48Z) - Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions [5.053463027769152]
空間RAG(Spatial-RAG)は、地理空間質問応答用に設計された検索型生成フレームワークである。
構造化空間データベースと大きな言語モデル(LLM)をハイブリッド空間レトリバーを介して統合する。
応答過程を空間的および意味的関連性に対する多目的最適化として定式化する。
論文 参考訳（メタデータ） (2025-02-04T01:30:06Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z)
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。