論文の概要: Geospatial Vector Geometry as a Native Spatial Modality for Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.16769v1
• Date: Mon, 12 Oct 2026 13:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.377352
• Title: Geospatial Vector Geometry as a Native Spatial Modality for Vision-Language Models
• Title（参考訳）: 視覚・言語モデルにおける空間的モダリティとしての地理空間ベクトル幾何学
• Abstract要約: 地理空間的推論は、VLMを現実世界の行動と意思決定に結びつける。 本稿では,空間空間的ベクトル幾何学がVLM内の空間的モダリティとなることを提案する。
• 参考スコア（独自算出の注目度）: 11.125319312291246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial reasoning links VLMs to real-world action and decision making. Reliable reasoning requires accurate spatial information and effective spatial representations. However, current VLMs obtain this information mainly from language and vision. At larger geographic scales, limited visual observations make it difficult to establish accurate spatial references and recover precise spatial relations. This leads to a bottleneck for VLM spatial perception and reasoning. This paper proposes that geospatial vector geometry can become a native spatial modality within a VLM and introduces GeoVec-VLM. First, we develop a structured geometry representation that preserves the spatial structure and arrangement of vector objects, building an explicit spatial basis. Second, we introduce a geometry interaction strategy that brings this basis into multimodal computation, where it interacts with visual content and language references according to the queried spatial relations. Together, these designs allow perception and reasoning to operate on shared geometric references. Across five spatial reasoning tasks, GeoVec-VLM improves mean accuracy by about 11\% relative to the strongest baseline, maintains its gains under geographic transfer, and shows greater geometric consistency. Our results show that geospatial vector geometry offers a promising internal spatial basis for VLM spatial reasoning. https://github.com/TXFR/GeoVector-VLM
• Abstract（参考訳）: 地理空間的推論は、VLMを現実世界の行動と意思決定に結びつける。 信頼性のある推論には正確な空間情報と効果的な空間表現が必要である。 しかしながら、現在のVLMは、主に言語と視覚からこの情報を取得する。 大きな地理的スケールでは、限られた視覚的観察により、正確な空間参照を確立し、正確な空間関係を回復することは困難である。 これはVLM空間認識と推論のボトルネックにつながる。 本稿では,空間空間的ベクトル幾何学がVLM内の空間的モダリティとなることを提案し,GeoVec-VLMを提案する。 まず,ベクトルオブジェクトの空間的構造と配置を保存し,空間的基盤を明示的に構築する構造的幾何学的表現を開発する。 第2に、この基礎をマルチモーダル計算にもたらす幾何学的相互作用戦略を導入し、クエリされた空間関係に応じて視覚的内容や言語参照と相互作用する。 これらの設計により、知覚と推論は共有幾何学的参照で操作できる。 5つの空間的推論タスク全体で、GeoVec-VLMは最強ベースラインに対して平均精度を約11倍改善し、地理的移動下での利得を維持し、幾何整合性を示す。 この結果から,空間的空間的推論の空間的基礎として空間空間的ベクトル幾何学が期待できることがわかった。 https://github.com/TXFR/GeoVector-VLM

関連論文リスト

• G$^2$TAM: Geometry Grounded Track Anything Model [49.05553245076823]
  本稿では,RGB画像やビデオのみを用いて,3次元のインスタンス追跡を高速化するための統一的なフレームワークを提案する。 G$2$TAMは空間的に整列した幾何学的表現を暗黙記憶として使用し、安定したインスタンス識別とフレームとビュー間のローカライゼーションを保証する。 中心となるのは、視覚的およびテキスト的プロンプトを共有幾何学空間に統合し、エンドツーエンドの空間再構成とインスタンス一貫性マスク予測を可能にするクロスモーダル空間エンコーダである。
  論文  参考訳（メタデータ） (2026-07-04T09:32:13Z)
• From Symbolic to Geometric: Enabling Spatial Reasoning in Large Language Models [12.689909494554733]
  近年の大規模言語モデル (LLM) は空間推論能力を示すことが多い。 この能力は、空間上の真のエンフェロメトリー推論ではなく、空間言語上のパターンマッチングから生じる、主にエンフェロボリックである。 EmphSpatial Language Model (SLM) は、位置情報を第一級のモダリティとして扱う最初のマルチモーダル LLM である。
  論文  参考訳（メタデータ） (2026-06-03T02:54:59Z)
• Geoparsing: Diagram Parsing for Plane and Solid Geometry with a Unified Formal Language [60.70116693224378]
  我々は平面と固体の幾何学を統合した統一形式言語を設計し、幾何学構造と意味関係を包括的に網羅する。 GDP-29Kは,実世界の様々な情報源から収集した20k平面と9k固体形状のサンプルからなる大規模データセットである。
  論文  参考訳（メタデータ） (2026-04-13T15:09:56Z)
• Make Geometry Matter for Spatial Reasoning [62.61667611352403]
  視覚言語モデル(VLM)は、強いイメージと映像理解を実現するが、静的シーンとダイナミックビデオの両方で空間的推論を行う能力は限られている。 近年の進歩は、事前訓練された3次元基礎モデルから幾何学トークンをVLMに注入することで、この制限に対処しようとしている。 我々は、VLMが幾何トークンで積極的に推論するように促すことにより、幾何学的問題を作るためのフレームワークGeoSRを提案する。
  論文  参考訳（メタデータ） (2026-03-27T17:45:12Z)
• EarthSpatialBench: Benchmarking Spatial Reasoning Capabilities of Multimodal LLMs on Earth Imagery [16.896854321525918]
  既存の地球画像のベンチマークは主に2次元空間接地、画像キャプション、粗い空間関係に焦点を当てている。 我々は,地球画像上のMLLMの空間的推論を評価するための総合的なベンチマークである textbfEarthSpatialBench を提案する。 1)空間距離と方向に関する定性的かつ定量的な推論、(2)系統的トポロジカルな関係、(3)単目的クエリ、オブジェクトペアクエリ、および合成集約グループクエリ、(4)テキスト記述、ビジュアルオーバーレイ、および2次元境界ボックス、ポリライン、ポリゴンを含む明示的な幾何学座標によって表現されるオブジェクト参照。
  論文  参考訳（メタデータ） (2026-02-17T06:08:43Z)
• 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)
• 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)
• GeoLM: Empowering Language Models for Geospatially Grounded Language Understanding [45.36562604939258]
  本稿では,自然言語におけるジオテリティーの理解を深める言語モデルGeoLMを紹介する。 また、GeoLMは、トポノニム認識、トポノニムリンク、関係抽出、ジオエンタリティタイピングをサポートする有望な能力を示すことを示した。
  論文  参考訳（メタデータ） (2023-10-23T01:20:01Z)

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。