論文の概要: Thinking with Images without Coordinates

• arxiv url: http://arxiv.org/abs/2610.14265v1
• Date: Fri, 09 Oct 2026 19:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:19:29.006174
• Title: Thinking with Images without Coordinates
• Title（参考訳）: コーディネートなしでイメージを考える
• Abstract要約: 視覚的推論を意味的エビデンス発見のプロセスとして再構築するためのTiCOを提案する。 また,TiCOは予測効率を著しく向上し,最先端の座標法よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 47.84387254720939
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in multi-modal large language models have shifted toward the "thinking with images" paradigm to improve reasoning faithfulness, yet existing methods rely heavily on explicit coordinate- based grounding. We identify two fundamental limitations in this approach, i.e., a semantic gap where sparse regressions miss high-dimensional latent structures, and a resolution gap due to the granularity mismatch between patch-level tokens and pixel-level coordinates. To address these, we propose TiCO (Thinking with images without COordinates). It reformulates visual reasoning as a semantic evidence discovery process within the latent space, and evidence is injected as token-level regions without pixel coordinates. Specifically, TiCO utilizes a dedicated probe token to estimate similarity distributions and performs importance sampling over spatially connected components to generate diverse, semantically dominant evidence rollouts. Extensive experiments across multiple high-resolution and general visual reasoning benchmarks demonstrate that our TiCO consistently outperforms state-of-the-art coordinate-based methods with significantly improved inference efficiency.
• Abstract（参考訳）: マルチモーダルな大規模言語モデルの最近の進歩は、推論の忠実性を改善するために「イメージで考える」パラダイムに移行しているが、既存の手法は明示的な座標ベース基底に大きく依存している。 このアプローチの基本的な2つの制限、すなわち、スパース回帰が高次元の潜在構造を欠くセマンティックギャップと、パッチレベルトークンとピクセルレベルの座標間の粒度ミスマッチによる解決ギャップを識別する。 このような問題に対処するために,TiCO(コーディネートを使わずに画像でシンクする)を提案する。 潜在空間内の意味的エビデンス発見プロセスとして視覚的推論を再構成し、エビデンスをピクセル座標のないトークンレベル領域として注入する。 具体的には、TiCOは専用のプローブトークンを使用して類似度分布を推定し、空間的に連結されたコンポーネント上で重要サンプリングを行い、多様で意味的に支配的なエビデンスロールアウトを生成する。 複数の高分解能および一般的な視覚的推論ベンチマークに対する大規模な実験により、我々のTiCOは、推論効率を著しく改善した最先端の座標ベースの手法よりも一貫して優れていることが示された。

関連論文リスト

• Learning Holistic Scene Layout against View Shifts in Cross-View Geo-Localization [8.554155075943651]
  横方向の地理的局在化は、視線の変化による劇的な外見の変化と幾何学的歪みのため、依然として困難なままである。 本研究では,4方向に沿った特徴写像と,各空間位置における方向表現間の相互作用をトラバースする空間コンテキストモデリング(SCM)モジュールを提案する。 信頼性の高い空間コンテキストは、堅牢な視覚的特徴に依存するため、周波数領域から安定した構造的手がかりを抽出するHFIG(High-Frequency Information Guidance)モジュールを導入する。
  論文  参考訳（メタデータ） (2026-10-09T13:09:30Z)
• Warp-free Cross-view Geo-localization via Feature-space Consensus Mining [49.843311525678565]
  ストリートレベルの画像と衛星画像の間に大きな違いがあるため、クロスビューのジオローカライゼーションは困難である。 本稿では,明示的な幾何学的ワープを完全に回避する,新しい統合ビュー・コンセンサス誘導学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T09:02:06Z)
• Thinking with Images as Continuous Actions: Numerical Visual Chain-of-Thought [55.65577137924979]
  本稿では,連続的な数値座標を用いたMLLM画像の推論を可能にするフレームワークを提案する。 NV-CoTはMLLM作用空間を離散語彙トークンから連続ユークリッド空間へと拡張する。 3つのベンチマーク実験により、NV-CoTは局所化精度と最終回答精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-02-27T12:04:07Z)
• Geometry-Aware Feature Matching for Large-Scale Structure from Motion [10.645087195983201]
  大規模シナリオでは重なりが小さい場合にギャップを埋めるために,カラーキューに加えて幾何学的手がかりを導入する。 提案手法は, 検出器フリー法からの高密度対応が幾何的に整合性を持ち, 精度が高いことを保証する。 ベンチマークデータセットにおける最先端の機能マッチングメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-09-03T21:41:35Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。