論文の概要: EndoVLA-OOV: Language-Conditioned Out-of-View Target Acquisition in Robotic Endoscopy
- arxiv url: http://arxiv.org/abs/2610.24747v1
- Date: Sat, 17 Oct 2026 15:28:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 16:33:35.156349
- Title: EndoVLA-OOV: Language-Conditioned Out-of-View Target Acquisition in Robotic Endoscopy
- Title（参考訳）: EndoVLA-OOV:ロボット内視鏡における言語定義外目標獲得
- Abstract要約: ロボット内視鏡における視線外目標獲得のための言語条件付き視覚-言語-アクションポリシーであるEndoVLA-OOVを提案する。
このポリシーは、事前訓練されたバックボーンを連続した2自由度遠方曲げコマンドに適応させ、初期、中間、および現在の画像を組み合わせて検索を誘導する。
- 参考スコア（独自算出の注目度）: 7.712828120786398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The scan-then-revisit workflow of upper gastrointestinal endoscopy requires bringing a previously observed suspicious region back into view for closer inspection. Acquiring such targets requires translating anatomical and appearance descriptions into camera motions from partial observations of a confined, deformable environment. We present EndoVLA-OOV, a language-conditioned vision-language-action policy for out-of-view target acquisition in robotic endoscopy. The policy adapts a pretrained backbone to continuous two-degree-of-freedom distal bending commands and combines initial, intermediate, and current images to guide search. To support policy learning, we provide an open-source VLA dataset containing 1,050 episodes across six tasks and approximately 262k observation-action pairs. Physical evaluation spans wet-lens and low-light conditions, two unseen stomach phantoms, and cross-embodiment transfer to an unseen ex-vivo environment. In the cross-embodiment evaluation, the full-data policy achieves 93.3% target acquisition success (28/30). In a controlled training-data comparison, expanding the corpus from 312 to 1,050 episodes increases acquisition success from 40.0% to 90.0% under the same model, training, and test configuration. Instruction and observation interventions further support the use of language and temporal context in the evaluated acquisition tasks. These results support language-guided endoscopic revisitation across the evaluated environments and robot embodiments and demonstrate the benefit of expanded task-specific demonstrations.
- Abstract（参考訳）: 上部消化管内視鏡のスキャン・then-revisitのワークフローは、これまで観察されていた疑わしい領域を振り返って、より綿密な検査を行う必要がある。
このようなターゲットを取得するには、閉じ込められた変形可能な環境の部分的な観察から、解剖学的および外観的な記述をカメラの動きに翻訳する必要がある。
ロボット内視鏡における視線外目標獲得のための言語条件付き視覚-言語-アクションポリシーであるEndoVLA-OOVを提案する。
このポリシーは、事前訓練されたバックボーンを連続した2自由度遠方曲げコマンドに適応させ、初期、中間、および現在の画像を組み合わせて検索を誘導する。
ポリシ学習を支援するために,6つのタスクに1050エピソードと約262万の観察-アクションペアを含む,オープンソースのVLAデータセットを提供する。
身体的評価は、湿ったレンズと低照度条件、2つの目に見えない胃ファントム、そして、目に見えない元ビビオ環境への異体間移動にまたがる。
クロス・エボディメント評価では、全データポリシーは93.3%の目標獲得成功(28/30)を達成する。
制御されたトレーニングデータの比較では、コーパスを312話から1,050話に拡大すると、同じモデル、トレーニング、テスト構成の下で、取得成功率が40.0%から90.0%に増加する。
インストラクションと観察の介入は、評価された獲得タスクにおける言語と時間的文脈の使用をさらに支援する。
これらの結果は,評価環境とロボットの具体化における言語誘導型内視鏡的修復をサポートし,タスク固有の実演のメリットを実証する。
関連論文リスト
- Ultrasound Operator Guidance Using World Modeling and Retrieval Based Action Planning [21.637485345816398]
訓練されたソノグラフィーの供給を上回る検査の需要により、オペレーター・ガイダンス・システムはこのギャップを埋めることを目指している。
超音波取得ダイナミクスの検索による潜時遷移モデルを提案する。
展開時には、プローブ追跡ハードウェアを使わずに、ライブ超音波画像フィードからガイダンスが生成される。
論文 参考訳（メタデータ） (2026-10-05T09:05:30Z) - AdaHVLA: Adaptive Harnesses for Long-Horizon Vision-Language-Action Execution [42.927771327803974]
視覚言語アクション(VLA)モデルは、強い局所的な制御と指示を提供するが、永続的な記憶と計画を必要とする長い水平タスクにしばしば苦労する。
AdaHVLAは,ロボット体験を通じてコードベースのコーディネーションポリシーを洗練し,エージェント推論とメモリのVLA実行との整合性を向上する適応型ハーネスである。
AdaHVLAはNaVILA-LHの平均試験成功率を22.5%から57.5%に引き上げ、3つのVLAバックボーンの操作試験成功率を初期ハーネスよりも最大30.8ポイント向上させる。
論文 参考訳（メタデータ） (2026-09-24T08:14:03Z) - StenoVLA-3D: 3D-Aware Reasoning VLA for Navigation Through Gastrointestinal Stenoses [10.804093699252192]
狭窄領域をナビゲートする3D対応VLAフレームワークであるStenoVLA-3Dを紹介する。
本症例では, 頭部の狭窄形態を推定し, 最終病変を報告するとともに, 動作による起立を予測した。
物理的な3-DoF内視鏡では、食道と大腸の幻孔において88.9%と77.8%のタスクが成功している。
論文 参考訳（メタデータ） (2026-09-21T06:59:11Z) - A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports [58.14965296904734]
EndoCLIPは125,756の病変レベルの画像テキストペアに基づいて訓練された視覚言語基盤モデルである。
これは、ゼロショットとリニアプローブの両方の設定において、汎用およびバイオメディカルな視覚言語エンコーダよりも優れている。
論文 参考訳（メタデータ） (2026-07-30T16:24:36Z) - TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。
臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
論文 参考訳（メタデータ） (2025-09-29T17:51:26Z) - Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。
既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。
本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:59:47Z) - Domain-Adaptive Pre-training of Self-Supervised Foundation Models for Medical Image Classification in Gastrointestinal Endoscopy [0.024999074238880488]
ビデオカプセル内視鏡は、消化管の詳細な画像を取得する非侵襲的な方法を提供することで、消化管内視鏡(GIE)の診断を変換した。
ビデオカプセル内視鏡は、消化管の詳細な画像を取得する非侵襲的な方法を提供することで、消化管内視鏡(GIE)の診断を変換した。
しかし、そのポテンシャルは、画像処理中に生成される画像の量によって制限されており、それは6～8時間で最大100万枚の画像を生成することができる。
論文 参考訳（メタデータ） (2024-10-21T22:52:25Z) - Self-supervised vision-langage alignment of deep learning representations for bone X-rays analysis [53.809054774037214]
本稿では, 骨X線とフレンチレポートを組み合わせることで, 視覚言語による事前訓練を活用することを提案する。
骨X線表現にまつわる埋め込み空間を形成するために、フランスの報告を統合する最初の研究である。
論文 参考訳（メタデータ） (2024-05-14T19:53:20Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Anticipating the Unseen Discrepancy for Vision and Language Navigation [63.399180481818405]
視覚言語ナビゲーションでは、エージェントは特定のターゲットに到達するために自然言語命令に従う必要がある。
目に見える環境と目に見えない環境の間に大きな違いがあるため、エージェントがうまく一般化することは困難である。
本研究では,テストタイムの視覚的整合性を促進することによって,未知の環境への一般化を学習する,未知の離散性予測ビジョンと言語ナビゲーション(DAVIS)を提案する。
論文 参考訳（メタデータ） (2022-09-10T19:04:40Z)
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。