論文の概要: Token-Budgeted Candidate Retrieval for 3D Scene-Grounded VLMs: Category Names vs. Pairwise Geometry

• arxiv url: http://arxiv.org/abs/2610.14207v1
• Date: Fri, 09 Oct 2026 18:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:39:43.567688
• Title: Token-Budgeted Candidate Retrieval for 3D Scene-Grounded VLMs: Category Names vs. Pairwise Geometry
• Title（参考訳）: 3次元シーンGrounded VLMのためのToken-Budgeted Candidate Retrieval: Category Names vs. Pairwise Geometry
• Abstract要約: ScanNet屋内参照ベンチマークでは、クエリとオブジェクトカテゴリ名とのマッチングは、報告されたK毎にペアワイズ幾何スコアよりも優れている。 我々は,各オブジェクトのカテゴリ名とqと一致する2つの小さなエンコーダと,決定論的対幾何スコアであるQCRR(Query-Conditioned Relation Retrieval)を用いて,軸整列ボックス,トークン比メトリック,トレーニング不要ベースライン,およびトークン予算による候補検索を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Under a fixed context budget, which objects and relations should a 3D scene-grounded VLM see first? On ScanNet indoor referring benchmarks (Dai et al., 2017), matching the query to object category names outperforms pairwise geometry scoring at every reported K. The gaps are largest at high recall. Analytic pairwise cues beat per-object cue scoring and query-agnostic kNN graphs, including on paraphrases. MiniLM and BGE-small still score higher on those splits. We evaluate token-budgeted candidate retrieval with axis-aligned boxes, a token-ratio metric, training-free baselines, two small encoders that match q to each object's category name, and QCRR (Query-Conditioned Relation Retrieval), a deterministic pairwise-geometry scorer. Across ScanRefer gt_val plus a custom 20% scan-id split of Nr3D and Sr3D (35,504 queries; not official ReferIt3D val), additive noun matching reaches R@10 0.864 on ScanRefer against QCRR's 0.626; MiniLM and BGE-small reach 0.911 to 0.913 on ScanRefer and 0.941 to 0.947 on Nr3D. A corrected 3DGraphLLM harness (native Acc@0.25 0.67 on the full graph, n=300 ScanRefer queries) shows that context selection changes downstream accuracy under a matched object budget (Random 0.44, QCRR 0.56, MiniLM 0.67, oracle 0.70). Semantic retrieval beats hand-designed geometry on that harness. We will release the protocol, retriever implementations, and per-query outputs so new selectors can be swapped in without rewriting the analysis.
• Abstract（参考訳）: 固定されたコンテキスト予算の下では、3DシーングラウンドのVLMが最初に見るべきオブジェクトと関係は何か? ScanNetの屋内参照ベンチマーク(Dai et al , 2017)では、クエリとオブジェクトカテゴリ名とのマッチングが、報告された各Kでペアの幾何学的スコアよりも優れており、このギャップは高いリコールで最大である。 分析的なペアワイズキューは、パラフレーズを含むオブジェクトごとのキュースコアとクエリに依存しないkNNグラフを上回ります。 ミニLMとBGE-smallのスコアは、これらのスプリットよりも高い。 我々は,各オブジェクトのカテゴリ名とqと一致する2つの小さなエンコーダと,決定論的対幾何スコアであるQCRR(Query-Conditioned Relation Retrieval)を用いて,軸整列ボックス,トークン比メトリック,トレーニング不要ベースライン,およびトークン予算による候補検索を評価する。 ScanRefer gt_valと、Nr3DとSr3Dのカスタム20%のスキャンID分割(公式のReferIt3D valではない35,504クエリ)、加法名詞マッチングは、QCRRの0.626に対してScanReferでR@10 0.864、MinimLMとBGE-smallはScanReferで0.911から0.913、Nr3Dで0.941から0.947に達する。 修正された 3DGraphLLM ハーネス (フルグラフ上のネイティブ Acc@0.25 0.67, n=300 ScanRefer クエリ) は、一致したオブジェクト予算(Random 0.44, QCRR 0.56, MiniLM 0.67, oracle 0.70)の下で、コンテキスト選択が下流の精度を変えることを示している。 セマンティック検索はそのハーネスで手作業で設計した幾何学を破る。 分析を書き換えることなく、新しいセレクタを交換できるように、プロトコル、検索実装、クエリごとの出力をリリースします。

関連論文リスト

• PGL-3D: Towards Progressive Geometric Learning for 3D Visual Query Localization [60.842562471209995]
  3DVQLは、RGBポイントクラウドシーケンスにおけるクエリ対象の最新の連続的な発生を検索する。 応答フレーム毎に9-DoFキューブを予測します。 本稿では,予測-選択-再定義-予測フレームワークである3DVQL(PGL-3D)について紹介する。
  論文  参考訳（メタデータ） (2026-09-27T13:29:51Z)
• Equivariant Neural Primal-Dual Assignment for Maximum Common Edge Subgraphs [16.0495191098223]
  分子類似性探索には多くのグラフ対をマッチングする必要がある。 Equivariant Neural Primal-Dual Assignment (ENPDA)を紹介する。 ENPDAは共有マッチングポリシーを学び、さらなるトレーニングなしに新しいペアに適用する。
  論文  参考訳（メタデータ） (2026-09-26T14:19:12Z)
• Parameterized Dense-Sparse Fusion for Hybrid Retrieval: Tuning a Rank-Score Mix on BEIR SciFact with Qdrant [0.0]
  パラメータ化されたハイブリッドローダは、密着した埋め込みリストとスパース語彙リストを融合する。 SciFact train(809クエリ)でこれらの範囲をグリッド検索し、選択した値をSciFact test(300クエリ)で凍結します。 調整されたランクスコアミックス(=0.8$, $= 0.75$, $= 20$)は0.753 nDCG@10と0.889リコール@10に到達し、このテストスプリットでは密度の高いBGE(0.742 / 0.871)と等重量RF(0.707 nDCG@10)を上回った。
  論文  参考訳（メタデータ） (2026-09-19T05:05:14Z)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding [8.113418747367573]
  コンピュータ利用エージェントは、インターフェイス要素を見つけるために、スクリーンショットに自然言語命令を接地する。 既存のベンチマークでは、モデルが言語を正しい要素にバインドするかどうかを区別していない。 そこで我々はGUI-Primitives(GUI-Primitives, 994-itemベンチマーク)を紹介した。
  論文  参考訳（メタデータ） (2026-08-22T08:04:59Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• IRLI: Iterative Re-partitioning for Learning to Index [104.72641345738425]
  分散環境でのロードバランスとスケーラビリティを維持しながら、高い精度を得る方法とのトレードオフが必要だ。 クエリ項目関連データから直接バケットを学習することで、アイテムを反復的に分割するIRLIと呼ばれる新しいアプローチを提案する。 我々は,irliが極めて自然な仮定の下で高い確率で正しい項目を検索し,優れた負荷分散を実現することを数学的に示す。
  論文  参考訳（メタデータ） (2021-03-17T23:13:25Z)

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。