論文の概要: Look, Reason, Draw a Region: Recursive Refinement for Spatial Context Prediction

• arxiv url: http://arxiv.org/abs/2610.23302v1
• Date: Fri, 16 Oct 2026 11:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.898348
• Title: Look, Reason, Draw a Region: Recursive Refinement for Spatial Context Prediction
• Title（参考訳）: 空間文脈予測のための再帰的リファインメント
• Abstract要約: 空間文脈予測は、空き領域を特定するために視覚的接地と空間的推論を必要とする。 本研究では,凍結した視覚言語特徴を持つコンパクトモデルであるSpatial-TRM,凸領域デコーダ,および1.2Mのトレーニング可能なパラメータを導入した。 RoboSpatial-Homeベンチマークでは、Spatial-TRMのコンテキスト精度は29.51%で、個別に訓練されたシングルステップモデルよりも9.02ポイント(44.0%)向上している。
• 参考スコア（独自算出の注目度）: 10.659768165464682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial context prediction requires visual grounding and spatial reasoning to identify vacant regions relative to objects in a scene. Spatial relationships and physical constraints remain challenging for large vision-language models (VLMs). Recursive reasoning has demonstrated strong performance on discrete and abstract reasoning tasks, motivating its use for improving spatial context prediction in natural images. Weight sharing enables higher accuracy with a small trainable parameter count. We introduce Spatial-TRM, a compact recursive model with frozen vision-language features, a convex region decoder, and just 11.2M trainable parameters. This weight-tied reasoner supports six spatial relationships, three reference frames, and open-vocabulary anchor objects. On the RoboSpatial-Home benchmark, Spatial-TRM achieves 29.51% context accuracy, a gain of 9.02 percentage points (44.0% relative) over a separately trained single-step model with the same parameter count. Including the frozen encoders, the model has 877.8M total parameters, approximately $15\times$ fewer than the reported 13B size of RoboPoint. These results show that repeated refinement improves spatial context prediction from pretrained vision-language features at a fixed trainable parameter count on this benchmark.
• Abstract（参考訳）: 空間的文脈予測は、シーン内の物体に対する空き領域を特定するために、視覚的接地と空間的推論を必要とする。 空間的関係と物理的制約は、大きな視覚言語モデル(VLM)では依然として困難である。 帰納的推論は、離散的および抽象的推論タスクにおいて強い性能を示し、自然画像における空間的文脈予測を改善するためにその使用を動機付けている。 ウェイトシェアリングは、小さなトレーニング可能なパラメータ数で高い精度を実現する。 本研究では,凍結した視覚言語特徴を持つコンパクト再帰モデルであるSpatial-TRM,凸領域デコーダ,たった11.2Mのトレーニング可能なパラメータを導入した。 この重み付き推論器は6つの空間関係、3つの参照フレーム、開語彙アンカーオブジェクトをサポートする。 RoboSpatial-Homeベンチマークでは、Spatial-TRMのコンテキスト精度は29.51%で、同じパラメータ数を持つ個別の訓練シングルステップモデルよりも9.02ポイント(44.0%)向上している。 冷凍エンコーダを含むモデルでは、総パラメータは877.8Mであり、RoboPointの報告された13Bサイズよりも約15\times$115\times小さい。 これらの結果から,このベンチマークでは,事前学習した視覚言語の特徴から空間文脈の予測を改善することが示唆された。

関連論文リスト

• SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models [55.56557714314683]
  空間推論を直接的かつ診断的に評価する最初のベンチマークであるSpaceCastBenchを紹介する。 182の現実世界シーンからの質問は、静的認識、局所予測、グローバル予測という3つのレベルで16のタスクタイプにまたがる。 制御された解析により、ブリッジビューは分散観測の統合に重要であることが明らかになった。
  論文  参考訳（メタデータ） (2026-10-08T17:44:17Z)
• SpatialCORE: Confidence-Aware Grounded Spatial Reasoning in Large Vision--Language Models [12.429413315224272]
  空間推論手法には生成されたグラウンド化が含まれており、モデルがその推論トレースの一部として、タスク関連オブジェクトのバウンディングボックス、マスク、その他のローカライゼーション出力を予測する。 本研究では,空間的推論のための学習信号にモデル自体の信頼度を変換するポストトレーニングフレームワークであるSpatialCOREを紹介する。 SpaceCOREは、様々なベンチマークで、オープンソースおよび特別な空間推論モデルの間で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-09-30T00:50:36Z)
• SpatialQuery: Benchmarking Geometry-Grounded Multi-Instance Spatial Reasoning in Vision-Language Models [6.150970359045875]
  VLM(Vision-Thought Model)は、強い意味理解を実現するが、計量空間的推論では信頼できない。 本稿では,単一RGB画像からのCIDQ推論のためのトレーニングフリーフレームワークであるSPATIALQUERYを紹介する。 本研究では,Qwen3-VL-8Bを用いたSPATIALQUERYにおいて,Floor-MAEが0.259m,Unc-Acc@0.3mが90.5%,近接精度が84.18%となることを示す。
  論文  参考訳（メタデータ） (2026-08-03T05:15:46Z)
• Why Far Looks Up: Probing Spatial Representation in Vision-Language Models [44.01280555484389]
  視覚言語モデル(VLM)は空間推論ベンチマークにおいて高い性能を達成する。 しかし、これが構造化された3D理解の反映なのか、あるいは自然画像の統計的ショートカットに依存しているのかは不明だ。 空間軸がどのように構成されているかを測定するために,最小のコントラスト対を構成する表現レベル分析フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-05-28T16:18:01Z)
• 3D Segmentation Using Viewpoint-Dependent Spatial Relationships [55.198821645924234]
  220kのベンチマークサンプルを含む視点対応3Dセグメンテーションデータセットを提案する。 このデータセットでは、対象オブジェクトはオブザーバー中心の空間関係によってのみ識別できる。 カメラのポーズをエンコードする視点表現を導入し、そのモデルに観察視点を条件づける。
  論文  参考訳（メタデータ） (2026-05-15T07:58:44Z)
• Video Spatial Reasoning with Object-Centric 3D Rollout [58.12446467377404]
  我々は,ロバストなビデオ空間推論を実現するために,OCR(Object-Centric 3D Rollout)を提案する。 OCRは、トレーニング中に選択した物体の3次元形状に構造的摂動を導入する。 OCRはモデルを補完し、全体にわたって論理的にソートする。
  論文  参考訳（メタデータ） (2025-11-17T09:53:41Z)
• SVQA-R1: Reinforcing Spatial Reasoning in MLLMs via View-Consistent Reward Optimization [57.484274282231226]
  本稿では,R1スタイルのトレーニングを空間VQAに拡張する最初のフレームワークであるSVQA-R1を提案する。 特に,オブジェクト間の空間的関係を摂動させることで,視点に一貫性のある報酬を構成する新しいグループワイドRL戦略であるSpatial-GRPOを紹介する。 我々のモデルSVQA-R1は空間的VQAベンチマークの精度を劇的に向上させるだけでなく、教師付き微調整データを使用しなくても解釈可能な推論経路を示す。
  論文  参考訳（メタデータ） (2025-06-02T06:58:43Z)
• Mind the Gap: Benchmarking Spatial Reasoning in Vision-Language Models [14.442394137843923]
  本稿では,まず空間的推論のコア要素を記述した詳細な分析を行う。 次に、これらのモデルの性能を、合成画像と実画像の両方で評価する。
  論文  参考訳（メタデータ） (2025-03-25T14:34:06Z)
• Telling Left from Right: Identifying Geometry-Aware Semantic Correspondence [80.6840060272386]
  本稿では,意味的対応のための幾何学的認識の重要性を明らかにする。 この情報を活用することで,意味的対応性能が著しく向上することを示す。 提案手法は,SPair-71kデータセット上で,65.4(ゼロショット)と85.6(教師)のPCK@0.10スコアを達成する。
  論文  参考訳（メタデータ） (2023-11-28T18:45:13Z)
• Parameter Space Factorization for Zero-Shot Learning across Tasks and Languages [112.65994041398481]
  本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。 タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。 我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
  論文  参考訳（メタデータ） (2020-01-30T16:58:56Z)

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。