論文の概要: GeoReader: Learning Latent Geometry for Spatial Reasoning in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.18694v1
• Date: Tue, 13 Oct 2026 16:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.685888
• Title: GeoReader: Learning Latent Geometry for Spatial Reasoning in Vision-Language Models
• Title（参考訳）: GeoReader:視覚言語モデルにおける空間推論のための潜在幾何学学習
• Abstract要約: 視覚言語モデルの幾何学的表現を学習するフレームワークであるGeoReaderを紹介した。 まず、軽量なGeometric Readersをトレーニングして連続的な入力トークンを生成し、凍結したVLMでデコードされた幾何学的記述でそれらを監視します。 次に,空間的QA上でVLMを微調整しながら,幾何学的インジェクションを条件として,このインタフェースを凍結して保存する。 RGB画像から幾何を予測することで、我々のアプローチはQwen3-VL-4BでMindCube-Tiny上で94.3に達する。
• 参考スコア（独自算出の注目度）: 47.93086285291245
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Vision-language models (VLMs) struggle with metric and multi-view relationships that remain implicit in RGB observations. Geometry foundation models recover this structure from RGB, but existing methods either fuse the estimated features with visual tokens and learn to use them from question answering alone, or align VLM latents with geometry features. Capturing geometry, however, does not ensure its use: zeroing the aligned latents of a released feature-alignment model leaves its accuracy unchanged. We introduce GeoReader, a framework that learns geometric representations for the VLM that reads them. First, we train lightweight Geometric Readers to produce continuous input tokens, supervising them with geometry descriptions decoded by a frozen VLM, so that the Readers express geometry in a form the target model can already read. We then freeze the Readers to preserve this interface while fine-tuning the VLM on spatial QA, with geometry injection conditioned on the question. Geometry descriptions serve only as training targets: at inference, the VLM answers directly from the continuous geometric tokens without generating a geometry chain of thought. With geometry predicted from RGB images, our approach reaches 94.3 on MindCube-Tiny with Qwen3-VL-4B and, with a multi-source QA mixture, an average of 72.5 across six additional spatial benchmarks with Qwen3.5-9B. These results suggest that a useful geometric representation is one the receiving model can use, not merely one from which geometry can be reconstructed.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、RGB観測において暗黙的なメートル法と多視点の関係に苦しむ。 幾何学基礎モデルは、RGBからこの構造を復元するが、既存の手法では、推定された特徴を視覚的トークンで融合させ、質問応答だけで使用することを学ぶか、VLMラテントを幾何学的特徴と整合させるかのいずれかである。 しかし、幾何のキャプチャーは、その使用を保証しない: リリースされたフィーチャーアライメントモデルのアライメントレイトをゼロにすると、その正確性は変わらない。 我々は,VLMの幾何学的表現を学習するフレームワークGeoReaderを紹介した。 まず、軽量なGeometric Readersをトレーニングして連続的な入力トークンを生成し、凍ったVLMでデコードされた幾何学的記述を監督することで、Readerがターゲットモデルがすでに読み取ることができる形で幾何学を表現する。 次に,空間的QA上でVLMを微調整し,幾何学的インジェクションを条件付けながら,このインタフェースを凍結して保存する。 幾何学的記述は訓練対象としてのみ機能する: 推論において、VLMは幾何学的連鎖を生成することなく連続的な幾何学的トークンから直接答える。 RGB画像からの幾何学的予測では、Qwen3-VL-4BでMindCube-Tinyで94.3に達し、Qwen3.5-9Bで追加した6つの空間ベンチマークで平均72.5である。 これらの結果は、有用な幾何学的表現は受信モデルが利用できるものであって、幾何を再構成できるものだけではないことを示唆している。

関連論文リスト

• GeoLatent: Geometry-Guided Latent Structuring with Routed Optimization for 3D Reasoning [97.7444853542192]
  テキストベースの手法は、離散トークンによる中間幾何学を記述し、連続空間関係に対する忠実度を制限する。 分解された空間ラテントは、幾何学的監督の下で位置、方向、大域幾何学を別々に表現することでこの問題に対処する。 我々はGeoLatentを導入し、CR-GEO(Common-Residual Geometry Alignment)とルート最適化を組み合わせることで、潜在的応答学習を促進しながら、幾何学状態を構成する。
  論文  参考訳（メタデータ） (2026-10-01T17:22:40Z)
• Learning Propagation Geometry from Message-Passing Feedback [58.684834960683226]
  GeoFは、メッセージパッシングフィードバックを通じてノード機能と伝搬幾何学を進化させる、反復的なフレームワークである。 ベンチマークデータセットの実験は、GeoFが最先端のGNNベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-09-28T09:22:49Z)
• Latent Riemannian Flow Matching for Geometry-Grounded 3D Foundation Models [27.12023248183448]
  3次元シーンの生成モデルは、スパース入力からコヒーレントな出力を生成するために、強い幾何学的先行に頼らなければならない。 VGGTの潜在空間で直接フローマッチングを行うことにより、これらの2つのパラダイムをブリッジする。 RealEstate10K, ScanNet++, ETH3Dでは, シーン生成ベースラインに対して高い性能を示す。
  論文  参考訳（メタデータ） (2026-07-21T14:06:04Z)
• 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)
• GLaD: Geometric Latent Distillation for Vision-Language-Action Models [106.53332923530245]
  GLaDは、知識蒸留による事前学習中に3次元の幾何学的先行を組み込んだ幾何学的認識型視覚・言語・アクション(VLA)フレームワークである。 GLaDは4つのLIBEROタスクスイートの平均成功率は94.1%で、同じ事前トレーニングデータを使用するUniVLA(92.5%)を上回っている。
  論文  参考訳（メタデータ） (2025-12-10T13:07:27Z)
• MatchU: Matching Unseen Objects for 6D Pose Estimation from RGB-D Images [57.71600854525037]
  RGB-D画像からの6次元ポーズ推定のためのFuse-Describe-Match戦略を提案する。 MatchUは、2Dテクスチャと6Dポーズ予測のための3D幾何学的手がかりを融合する汎用的なアプローチである。
  論文  参考訳（メタデータ） (2024-03-03T14:01:03Z)
• Improving RGB-D Point Cloud Registration by Learning Multi-scale Local Linear Transformation [38.64501645574878]
  ポイントクラウド登録は、2つのポイントクラウドスキャン間の幾何学的変換を推定することを目的としている。 近年,RGB-Dデータをより正確な対応に利用しようと試みている。 マルチスケールな局所線形変換を用いたGAVE(Geometry-Aware Visual Feature Extractor)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T14:36:09Z)

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。