論文の概要: Seeing Depth but Choosing Cues in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.17976v1
• Date: Tue, 13 Oct 2026 08:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.563555
• Title: Seeing Depth but Choosing Cues in Vision-Language Models
• Title（参考訳）: 視覚言語モデルにおける奥行きとクイズの選択
• Abstract要約: 視覚言語モデルでは、どの物体が近いか判断するために深度情報を利用するか、あるいは画像平面の手がかりに依存するかを検討する。 描画シーンと実世界の写真の両方において,cue-consistent条件およびcue-conlict条件下での深度判定を比較した。 モデルが深度を表現できる能力と、答えを決定するときにこの情報を使う能力の間には、ミスマッチがある。
• 参考スコア（独自算出の注目度）: 11.307978651227701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Do vision-language models use depth information to judge which object is closer, or rely on image-plane cues? We investigate this question through controlled depth--cue conflicts, representation analysis, and interventions. Among the many image-plane cues relevant to depth perception, we focus on apparent size and vertical position. We compare depth judgments under cue-consistent and cue-conflict conditions in both rendered scenes and real-world photographs. Across model families and scales, depth judgments systematically shift toward misleading cues. Yet the correct depth order remains decodable from the queried objects' visual representations, including when the model answers incorrectly. Image and category controls support interpreting this signal as image-dependent depth information beyond the two target cues. Strengthening the model's own depth readout through object-level write-back can correct conflict decisions without updating model parameters or using ground-truth depth annotations. Interventions show that the effect of this correction depends on the direction and target tokens of the written signal, while its strength varies across architectures and domains. Together, these findings reveal a mismatch between a model's ability to represent depth and use this information when deciding the answer. VLMs can retain useful depth information while allowing competing image-plane cues to exert greater influence on their answers.
• Abstract（参考訳）: 視覚言語モデルは、深度情報を用いて、どの物体が近いかを判断するか、または、画像平面の手がかりに依存するか? 本稿では,この課題を,制御された深度-急激な対立,表現分析,介入を通じて検討する。 深度知覚に関連する多くの画像平面的手がかりのうち、我々は見かけの大きさと垂直位置に焦点をあてる。 描画シーンと実世界の写真の両方において,cue-consistent条件およびcue-conlict条件下での深度判定を比較した。 モデルファミリーとスケール全体にわたって、深度判断は体系的に誤解を招く手がかりへと移行する。 しかし、正しい深さの順序は、モデルが正しく答えていない場合を含む、クエリされたオブジェクトの視覚的表現から導出可能である。 画像とカテゴリコントロールは、この信号を2つのターゲットキューを超えて、画像依存の深度情報として解釈するのをサポートする。 オブジェクトレベルの書き込みバックを通じて、モデル自体の深度読み込みを強化することで、モデルパラメータを更新したり、地味な深度アノテーションを使用することなく、コンフリクトの決定を修正できます。 干渉は、この補正の効果が書き込まれた信号の方向と目標トークンに依存することを示しているが、その強度はアーキテクチャやドメインによって異なる。 これらの結果から,モデルが深度を表現できる能力と,解答を決定する際の情報とのミスマッチが明らかになった。 VLMは、競合する画像平面の手がかりが彼らの回答により大きな影響を与えることを許容しながら、有用な深度情報を保持することができる。

関連論文リスト

• StarryGazer: Leveraging Monocular Depth Estimation Models for Domain-Agnostic Single Depth Image Completion [56.28564075246147]
  StarryGazerは、単一のスパース深度画像とRGB画像から高密度深度画像を予測するフレームワークである。 我々は、相対深度画像を生成するために、事前訓練されたMDEモデルを用いる。 モデルの精度とロバスト性を改善するために、相対深度マップとRGBイメージを組み込んだ合成ペアを用いて改良ネットワークを訓練する。
  論文  参考訳（メタデータ） (2025-12-15T09:56:09Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Vision-Language Embodiment for Monocular Depth Estimation [11.737279515161505]
  現在の深度推定モデルは、教師あり訓練における画像間関係に依存している。 本稿では,カメラモデルとその物理特性を深層学習モデルに具体化する手法を提案する。 このモデルでは,環境変化の即時変化に基づいて,実写シーンの深度をリアルタイムで計算することができる。
  論文  参考訳（メタデータ） (2025-03-18T18:05:16Z)
• Depth-aware Volume Attention for Texture-less Stereo Matching [67.46404479356896]
  実用的な屋外シナリオにおけるテクスチャ劣化に対処する軽量なボリューム改善手法を提案する。 画像テクスチャの相対的階層を抽出し,地中深度マップによって教師される深度体積を導入する。 局所的な微細構造と文脈は、体積凝集時のあいまいさと冗長性を緩和するために強調される。
  論文  参考訳（メタデータ） (2024-02-14T04:07:44Z)
• FS-Depth: Focal-and-Scale Depth Estimation from a Single Image in Unseen Indoor Scene [57.26600120397529]
  実際の(見えない)屋内シーンの単一の画像から絶対深度マップを予測するのには、長年不適切な問題だった。 本研究では,未確認屋内シーンの単一画像から絶対深度マップを正確に学習するための焦点・スケール深度推定モデルを開発した。
  論文  参考訳（メタデータ） (2023-07-27T04:49:36Z)
• PlaneDepth: Self-supervised Depth Estimation via Orthogonal Planes [41.517947010531074]
  複数の前頭平行面に基づく深度推定は、自己教師付き単眼深度推定(MDE)において顕著な結果を示した 本研究では,垂直面と接地面を含む新しい平面ベースプレゼンテーションであるPlaneDepthを提案する。 本手法は, 自律走行において重要な, 教師なしの方法で地上面を抽出することができる。
  論文  参考訳（メタデータ） (2022-10-04T13:51:59Z)
• Monocular Depth Estimation Using Cues Inspired by Biological Vision Systems [22.539300644593936]
  単眼深度推定(MDE)は、シーンのRGB画像を同じカメラビューから画素幅の深度マップに変換することを目的としている。 MDEタスクの一部は、画像内のどの視覚的手がかりを深度推定に使用できるか、どのように使うかを学ぶことである。 モデルに視覚的キュー情報を明示的に注入することは深度推定に有用であることを示す。
  論文  参考訳（メタデータ） (2022-04-21T19:42:36Z)
• Physically Plausible Pose Refinement using Fully Differentiable Forces [68.8204255655161]
  対象物が経験する力を学習することでポーズ推定を精緻化するエンドツーエンドの差別化モデルを提案する。 学習されたネット力と有限位置差に基づくネット力の推定とをマッチングすることにより、このモデルは物体の動きを正確に記述する力を見つけることができる。 rgbや深度画像のデータを使わずに、このモデルがポーズの修正に成功し、接点マップが地面の真実に合致することを示す。
  論文  参考訳（メタデータ） (2021-05-17T23:33:04Z)
• Predicting Relative Depth between Objects from Semantic Features [2.127049691404299]
  2D画像に描かれた物体の3D深度は、そのような特徴の一つです。 この領域における技術の現状は、ステレオ画像データに基づいて訓練された複雑なニューラルネットワークモデルであり、ピクセルごとの深さを予測する。 モノディープスモデルから計算した相対深度に対する相対深度精度の14%の総合的な増加が達成された。
  論文  参考訳（メタデータ） (2021-01-12T17:28:23Z)

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。