論文の概要: SpatialASM: Internalizing Active Mentalization for Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2610.13832v1
• Date: Fri, 09 Oct 2026 16:39:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.689139
• Title: SpatialASM: Internalizing Active Mentalization for Spatial Reasoning
• Title（参考訳）: SpaceASM:空間推論のためのアクティブメンタライゼーション
• Abstract要約: SpaceASMは、アクティブな空間的メンタライゼーション(ASM)をLVLM(Large Vision-Language Models)に内部化するフレームワークである ASMは視覚知能の本質的な構成要素であり、現在のLVLMでは未発達である。 本研究では,SpatialASMが空間的推論において4つのLVLMバックボーンのLVLMに対して,元の汎用視覚能力を保ちながら性能向上をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 64.19258984207252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When solving complex spatial reasoning tasks, ordinary humans naturally revisit the scenes from task-relevant viewpoints and mentally reconstruct the spatial layouts from those viewpoints. But can Large Vision-Language Models (LVLMs) proactively think in the same way? We term this ability Active Spatial Mentalization (ASM), an intrinsic component of visual intelligence that remains substantially underdeveloped in current LVLMs. To bridge this gap, we introduce SpatialASM, a scalable framework to internalize ASM into LVLMs through training-time spatial simulation. SpatialASM employs an allocentric novel-view generator to ground hypothetical viewpoints in visual evidence and produces two complementary forms of supervision: i) explicit ASM trajectories that teach LVLMs when and how to adaptively invoke view planning and imagination during spatial reasoning, and ii) automatically-constructed perspective-taking tasks that further strengthens viewpoint-conditioned scene imagination. On seven benchmarks spanning relatively perception-oriented spatial understanding to more challenging tasks requiring multi-image, cross-view and viewpoint-transformation reasoning, SpatialASM yields performance gain on LVLMs of four LVLM backbones in spatial reasoning while retaining their original general vision capabilities. The experimental results demonstrate that our approach improves average accuracy across the seven spatial benchmarks. And the synthesis of ASM trajectories provides a scalable pathway to alleviate the scarcity of spatial Chain-of-Thought (CoT) supervision for eliciting active viewpoint exploration and mental scene simulation.
• Abstract（参考訳）: 複雑な空間的推論タスクを解く際、通常の人間はタスク関連の観点から自然にシーンを再考し、それらの視点から空間的レイアウトを精神的に再構築する。 しかし、LVLM(Large Vision-Language Models)も同様に積極的に考えることができるだろうか? 視覚知能の本質的な構成要素であるアクティブ・スペース・メンタライゼーション(ASM)は,現在のLVLMでは未発達である。 このギャップを埋めるために、トレーニング時間空間シミュレーションによりASMをLVLMに内部化するためのスケーラブルなフレームワークであるSpatialASMを導入する。 SpaceASMは、視覚的エビデンスにおける仮説的視点を基盤として、アロセントリックなノベルビュージェネレータを採用し、2つの相補的な監督形態を生み出している。 一 空間推論中に視野計画及び想像を適応的に実行する方法をLVLMに教える明示的なASM軌道 二 視点条件付シーンイマジネーションをさらに強化する自動構成視点撮影タスク。 比較的知覚指向の空間理解から、マルチイメージ、クロスビュー、視点変換の推論を必要とするより困難なタスクまでに及ぶ7つのベンチマークにおいて、SpatialASMは空間的推論において4つのLVLMバックボーンのLVLMに対して、元の一般的な視覚能力を保ちながら、性能向上をもたらす。 実験の結果,提案手法は7つの空間ベンチマークで平均精度を向上することが示された。 また, ASMトラジェクトリの合成は, アクティブな視点探索とメンタルシーンシミュレーションを実現するための空間的チェーン・オブ・ソート(CoT)監督の不足を軽減するための, スケーラブルな経路を提供する。

関連論文リスト

• SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning [67.67774742200626]
  空間知能は、視覚的な観察から幾何学的および物理的構造を推論する能力を指すもので、大きな言語モデルにとって重要な課題である。 テキスト推論と視覚的想像力を組み合わせた統合型マルチモーダル生成フレームワークを提案する。 本フレームワークでは,高レベルなセマンティックプランニングのためのテキストチェーンと,幾何感応的な状態変換と整合性保存のための視覚的想像力を用いて,分割・対数戦略を採用している。
  論文  参考訳（メタデータ） (2026-04-19T11:21:59Z)
• SpatialDreamer: Incentivizing Spatial Reasoning via Active Mental Imagery [64.67498968405327]
  SpaceDreamerは、活発な探索のクローズループプロセスを通じて空間推論を可能にする強化学習フレームワークである。 GeoPOは、整合性幾何制約を伴う木構造サンプリングとステップレベルの報酬推定を導入している。
  論文  参考訳（メタデータ） (2025-12-08T17:20:50Z)
• REM: Evaluating LLM Embodied Spatial Reasoning through Multi-Frame Trajectories [19.741468026765062]
  本稿では,空間推論のための制御可能な3次元環境を用いたベンチマークREM(Reasoning over Embodied Multi-Frame Trajectories)を紹介する。 REMは、オブジェクトの永続性/識別、空間的関係、動的エンボディされた視点における数値的追跡などの重要な側面を体系的に評価する。 評価の結果、最高の性能を示す現在のモデルでは、全体的な性能が期待できるが、人間によって容易に扱える程度の複雑性レベルでは信頼性が低下していることがわかった。
  論文  参考訳（メタデータ） (2025-11-30T05:20:22Z)
• Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing [62.447497430479174]
  空間における推論への描画は、視覚空間における基本的な描画操作を通じてLVLMを推論できる新しいパラダイムである。 我々のモデルはVILASRと呼ばれ、様々な空間推論ベンチマークで既存の手法より一貫して優れています。
  論文  参考訳（メタデータ） (2025-06-11T17:41:50Z)
• EmbodiedVSR: Dynamic Scene Graph-Guided Chain-of-Thought Reasoning for Visual Spatial Tasks [24.41705039390567]
  EmbodiedVSR (Embodied Visual Space Reasoning) は動的シーングラフ誘導型Chain-of-Thought (CoT)推論を統合する新しいフレームワークである。 本手法はタスク固有の微調整なしでゼロショット空間推論を可能にする。 実験により,我々のフレームワークは,既存のMLLM法よりも精度と推論コヒーレンスにおいて優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-14T05:06:07Z)
• Sparkle: Mastering Basic Spatial Capabilities in Vision Language Models Elicits Generalization to Spatial Reasoning [36.588008658084895]
  視覚言語モデル(VLM)は多くのタスクでうまく機能するが、しばしば空間的推論では失敗する。 評価の結果, 現状のVLMでは, 複合空間問題に対する不正確な答えが得られていることがわかった。 VLMにおける2次元空間推論は,基本空間能力のみに基づいて訓練することで向上する。
  論文  参考訳（メタデータ） (2024-10-21T16:26:09Z)
• VSP: Assessing the dual challenges of perception and reasoning in spatial planning tasks for VLMs [102.36953558562436]
  視覚言語モデル(VLM)は、エキサイティングな言語モデル(LM)のクラスである。 VLMの未調査能力の1つは、視覚空間計画である。 本研究は,これらのモデルにおける空間計画能力を概ね評価するベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-07-02T00:24:01Z)

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。