論文の概要: ReferFlow: Beyond Final-Target Localization for Complex Referring Expressions
- arxiv url: http://arxiv.org/abs/2610.20352v1
- Date: Wed, 14 Oct 2026 15:29:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.223117
- Title: ReferFlow: Beyond Final-Target Localization for Complex Referring Expressions
- Title（参考訳）: ReferFlow: 複雑な参照式のための最終ターゲットのローカライゼーションを超えて
- Abstract要約: ReferFlowは一般的なRECベンチマークとReferFlow-Benchで主要なパフォーマンスを実現している。
Stateful Region Latent Reasoningは、各対象領域を連続的な潜伏状態からなるオブジェクトインデックス状態として表現する。
Trajectory-Aware Parallel Decodingは、4つの幾何制約付き精製ラウンドを通じて、すべての座標ブロックを並列に復元する。
- 参考スコア（独自算出の注目度）: 43.64297195059259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal Large Language Models have made significant progress in referring expression comprehension (REC), yet most REC benchmarks still focus on final-target localization. Complex queries often involve intermediate visual references with different dependencies on prior grounding, but final-only evaluation leaves this process unexamined. To address this gap, we formulate trajectory-level REC, in which models receive an ordered sequence of grounding steps constructed from a single complex query and localize the target regions associated with each step. We instantiate this setting in ReferFlow-Bench, which characterizes structured region transitions through four trajectory types, namely Refinement, Shift, Reset, and Mixture. Experiments show that current models struggle to consistently ground intermediate visual references across successive steps. We further propose ReferFlow, which decouples interleaved text-latent trajectory generation from coordinate decoding. Specifically, Stateful Region Latent Reasoning represents each target region as an object-indexed state composed of continuous latents, with explicit visual and spatial supervision to preserve region information for subsequent grounding. Trajectory-Aware Parallel Decoding then recovers all coordinate blocks in parallel through four geometry-constrained refinement rounds, with each block conditioned on its corresponding trajectory prefix, thereby reducing within-box sequential dependencies and eliminating cross-box autoregression. We further apply Grounding-Aware GRPO to promote consistent grounding across steps and learn adaptive trajectory generation from complex REC queries. ReferFlow achieves leading performance on general REC benchmarks and ReferFlow-Bench.
- Abstract（参考訳）: マルチモーダル大規模言語モデルは、表現理解(REC)を参照する上で大きな進歩を遂げているが、ほとんどのRECベンチマークは依然として最終ターゲットのローカライゼーションに焦点を当てている。
複雑なクエリは、しばしば事前の基盤に異なる依存関係を持つ中間的な視覚的参照を含むが、最終的な評価は、このプロセスを未検討のまま残している。
このギャップに対処するために、モデルが1つの複雑なクエリから構築されたグラウンドステップの順序付きシーケンスを受信し、各ステップに関連する対象領域をローカライズするトラジェクトリレベルのRECを定式化する。
この設定をReferFlow-Benchでインスタンス化し、Refinement、Shift、Reset、Mixtureという4つのトラジェクトリタイプを通して、構造化された領域遷移を特徴付ける。
実験により、現在のモデルでは、連続したステップ間で中間的な視覚的参照を一貫して基礎付けるのに苦労していることが示された。
さらに、座標デコーディングからインターリーブされたテキスト遅延軌道生成を分離するReferFlowを提案する。
具体的には、ステートフルリージョン遅延推論(Stateful Region Latent Reasoning)は、各領域を連続した潜伏者で構成されるオブジェクトインデックス状態として表現し、その後の接地のための地域情報を保持するための視覚的および空間的監視を明示する。
Trajectory-Aware Parallel Decodingは、すべての座標ブロックを4つの幾何制約付き精製ラウンドで並列に復元し、それぞれのブロックを対応するトラジェクトリプレフィックスに条件付けすることで、ボックス内のシーケンシャル依存関係を減らし、クロスボックスの自動回帰をなくす。
さらに、Gunding-Aware GRPOを適用し、ステップ間の一貫したグラウンド化を促進し、複雑なRECクエリから適応的なトラジェクトリ生成を学習する。
ReferFlowは一般的なRECベンチマークとReferFlow-Benchで主要なパフォーマンスを実現している。
関連論文リスト
- CAGE: Coherence-Aware Graph Encoding for Retrieval-Augmented Generation [2.3578002163476266]
従来のRetrieval-Augmented Generation (RAG)システムでは、クエリに対して各パスを独立してスコア付けする。
私たちはCoherence-Aware Graph AGE(CAGE)を紹介します。
我々のパイプラインは、取得したパスを向不均一なエンティティグラフに変換する。
論文 参考訳（メタデータ） (2026-09-04T02:27:34Z) - REBASE: Reference-Background Subspace Elimination for Training-Free In-Context Segmentation [1.371509966893897]
本稿では,突発的な文脈対応を明示的に抑制する学習自由フレームワークREBASEを提案する。
提案手法は,参照画像から低ランクの背景特徴部分空間を識別し,参照特徴とクエリ特徴をその補体にクローズド形式で投影する。
次に, 類似度重み付き遠点サンプリングを用いて正の点プロンプトを生成する。
論文 参考訳（メタデータ） (2026-07-10T04:01:22Z) - CoFL-S: Spatially Queryable Sector Flow Fields for Local Language-Conditioned Navigation [13.76195083398865]
CoFL-Sは、ロボットの局所可視領域上の言語条件のフロー場を予測する低レベル視覚言語アクションフレームワークである。
この低レベル表現をトレーニングするために、各VLN-CEエピソード(元々はアクションシーケンスと組み合わせた全エピソード命令)をフレームレベルのローカル監視に変換する。
評価のために,低レベル動作インタフェースを命令分解から分離した連続時間Habitatベンチマークを導入する。
論文 参考訳（メタデータ） (2026-07-02T14:26:55Z) - Trajectory Forcing: Structure-First Generation with Controllable Semantic Trajectories [62.54876287800644]
拡散およびフローベース生成モデルは強い画像を生成するが、制御性はエンドポイント中心のままである。
最近の手法では、生成順序とプロセスの分解を利用してサンプルの品質を向上し始めているが、それでも中間状態は相互作用のオブジェクトではなく内部計算として扱われている。
本稿では、生成経路を明示的、意味的、編集可能にするトラジェクトリ中心のフレームワークであるトラジェクトリ・フォース(TF)を提案する。
論文 参考訳（メタデータ） (2026-06-21T14:25:50Z) - RELO: Reinforcement Learning to Localize for Visual Object Tracking [70.27265738642956]
視覚的物体追跡のためのReinforcement-learning-to-LOcalize法であるRELOを紹介する。
RELOは、手作りの空間先行を空間的位置から学習した局所化ポリシーに置き換える。
我々は、RELOがテンプレート更新なしでLaSOText上で57.5%のAUCを達成することを示す。
論文 参考訳（メタデータ） (2026-05-08T07:34:29Z) - From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space [50.72071213515985]
GloRankは、ローカルインデックスの選択からグローバル識別子の生成に移行する、ジェネレーティブなフレームワークである。
我々はGloRankが最先端のベースラインを一貫して上回り、コールドスタートシナリオにおいて優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-04-28T06:57:00Z) - XAttnRes: Cross-Stage Attention Residuals for Medical Image Segmentation [7.618393856935408]
Cross-Stage Attention Residuals (XAttnRes)は、エンコーダとデコーダの両方の出力を蓄積したグローバルな機能履歴プールを維持するメカニズムである。
XAttnResは、4つのデータセットと3つのイメージングモードのパフォーマンスを一貫して改善する。
論文 参考訳（メタデータ） (2026-03-28T15:40:57Z) - CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。
トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。
また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
論文 参考訳（メタデータ） (2025-10-03T08:50:21Z) - Recurrent Cross-View Object Geo-Localization [23.685973292321574]
クロスビューオブジェクトジオローカライゼーション (CVOGL) は、問合せ画像と点プロンプトが与えられた場合の高解像度衛星画像における特定のオブジェクトの位置を決定することを目的としている。
本稿では,CVOGLをリカレント・ローカライゼーションタスクとして再構成したリカレント・クロスビュー・オブジェクトのジオローカライゼーション・トランスフォーマであるReCOTを提案する。
ReCOTは、クエリイメージからタスク固有の意図をエンコードし、埋め込みを促す一連の学習可能なトークンを導入し、予測された位置を洗練するための参照機能に反復的に参加する。
論文 参考訳（メタデータ） (2025-09-16T07:18:23Z) - Fully and Weakly Supervised Referring Expression Segmentation with
End-to-End Learning [50.40482222266927]
Referring Expression(RES)は、与えられた言語表現に従ってターゲットをローカライズし、セグメンテーションすることを目的としている。
そこで我々は,カーネル分割パイプラインを並列に構築し,より分離し,局所化とセグメント化のステップと相互作用する。
我々の手法は単純だが驚くほど効果的であり、完全に教師された設定と弱い設定において、従来の最先端のRES手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-17T08:29:33Z)
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。