論文の概要: MindView: Benchmarking Generative Multi-View Spatial Intelligence

• arxiv url: http://arxiv.org/abs/2610.28622v1
• Date: Tue, 20 Oct 2026 17:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.978708
• Title: MindView: Benchmarking Generative Multi-View Spatial Intelligence
• Title（参考訳）: MindView: ジェネレーティブなマルチビュー空間知能のベンチマーク
• Abstract要約: 室内3つのデータセットにわたる513のシーンから1,500のサンプルを収集し,多視点空間インテリジェンス生成のためのベンチマークであるMindViewを紹介した。 11個のジェネレータの評価は、MindViewに大幅な改善の余地を明らかにしている。 我々は、MindViewトレーニングデータセットでBAGELを微調整し、総合スコアを24.3ポイント改善し、7つのMindViewタスクすべてで利益を得る。
• 参考スコア（独自算出の注目度）: 103.01035958845834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial intelligence has recently been assessed through generative tasks such as spatially grounded image editing, yet language-guided generation of spatially consistent views from partial multi-view observations remains underexplored. We introduce MindView, a benchmark for generative multi-view spatial intelligence with 1,500 samples from 513 scenes across three indoor datasets. Its seven tasks form two families: geometry-dominant tasks specify changes in camera position and orientation, while semantics-dominant tasks require inferring target viewpoints by grounding referred objects and interpreting spatial relations and reference-frame cues. Evaluation of eleven generators reveals substantial room for improvement on MindView. A paired context analysis further shows that all eleven generators obtain lower overall scores under the expanded context setting. These findings motivate us to investigate whether task-specific supervision can improve target-view generation and whether models can use additional multi-view evidence effectively. We therefore fine-tune BAGEL on the MindView training dataset, improving its overall score by 24.3 points and yielding gains across all seven MindView tasks. Beyond these generation gains, the fine-tuned model also yields higher scores on three spatial-understanding benchmarks without training on their annotations, suggesting that learning to generate spatially grounded views may benefit spatial understanding. To improve evidence utilization under expanded context, we propose MindCue, a training-free spatial evidence selector guided by a target-view hypothesis. MindCue reverses the drop in overall score under expanded context and outperforms the standard-context baseline. Overall, MindView provides a concrete testbed for generative multi-view spatial intelligence.
• Abstract（参考訳）: 空間的インテリジェンスは最近、空間的に接地された画像編集のような生成的タスクを通じて評価されてきたが、部分的な多視点観察による空間的一貫したビューの言語誘導による生成は、まだ未解明のままである。 室内3つのデータセットにわたる513のシーンから1,500のサンプルを収集し,多視点空間インテリジェンス生成のためのベンチマークであるMindViewを紹介した。 その7つのタスクは2つのファミリーを形成する: 幾何支配タスクはカメラの位置と向きの変化を規定するが、セマンティクス支配タスクは参照対象を接地し、空間関係と参照フレームの手がかりを解釈することによって対象視点を推測する必要がある。 11個のジェネレータの評価により、MindViewに大幅な改善の余地が明らかになる。 さらに、ペア化されたコンテキスト分析により、拡張されたコンテキスト設定の下で、11個のジェネレータが全体のスコアを低くすることを示す。 これらの知見は,タスク固有の監督がターゲットビュー生成を改善するか,モデルが効果的に追加のマルチビューエビデンスを活用できるかを検討する動機となっている。 したがって、MindViewトレーニングデータセット上でBAGELを微調整し、全体的なスコアを24.3ポイント改善し、7つのMindViewタスクすべてで利得を得ます。 これらの世代別ゲインの他に、微調整されたモデルでは、アノテーションをトレーニングせずに3つの空間的理解されたベンチマークでより高いスコアが得られ、空間的基盤のビューを生成する学習が空間的理解の恩恵を受ける可能性があることを示唆している。 拡張文脈下でのエビデンス利用を改善するために,ターゲット視点仮説で導かれるトレーニング不要な空間エビデンスセレクタであるMindCueを提案する。 MindCueは、拡張されたコンテキストの下で全体のスコアの低下を反転させ、標準コンテキストベースラインを上回っます。 全体として、MindViewは、生成的な多視点空間インテリジェンスのための具体的なテストベッドを提供する。

関連論文リスト

• CVSBench: A Comprehensive Benchmark for Cross-view Spatial Reasoning and Dreaming [13.534076118011603]
  CVSBenchは、衛星とストリートのペアによる空間的推論を評価するための大規模なベンチマークである。 このベンチマークは、クロスビューVQA、クロスビューグラウンド、視点識別など、複数のタスクをサポートする。 言語のみの推論は,視覚空間の想像力を3次元シーンの想像パイプラインに組み込むことで,視線間の推論を大幅に改善する一方で,限界的な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-06-21T12:35:43Z)
• Imaginative Perception Tokens Enhance Spatial Reasoning in Multimodal Language Models [61.89854422423702]
  視覚言語モデル(VLM)は多くのタスクで優れるが、重要な情報が直接観測できない場合、空間的推論に苦慮する。 Inaginative Perception Tokens (IPT) は、VLMが知覚する空間構成を外部化する中間的知覚表現である。 IPTの監督は、空間的推論を一貫して改善し、しばしば思考訓練のテキスト連鎖よりも優れる。
  論文  参考訳（メタデータ） (2026-06-02T17:59:17Z)
• VIEW2SPACE: Studying Multi-View Visual Reasoning from Sparse Observations [47.94531550391802]
  多視点視覚推論は、スパースと離散的な視点から複雑な環境を理解する必要があるインテリジェントシステムにとって不可欠である。 現実のシナリオでは、ビュー間の推論は、明示的なガイダンスなしで部分的な観察を統合する必要がある。 我々は物理基底シミュレーションを利用して、ビュー毎の正確なメタデータを持つ多種多様な高忠実な3Dシーンを構築する。
  論文  参考訳（メタデータ） (2026-03-17T13:36:30Z)
• Revisiting Multi-Task Visual Representation Learning [52.93947931352643]
  本稿では,マルチタスク・ビジュアル事前学習フレームワークであるMTVを紹介する。 我々は、高容量の「エキスパート」モデルを利用して、高密度で構造化された擬似ラベルを大規模に合成する。 以上の結果から,MTV が "Best-of-both-worlds" のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-01-20T11:59:19Z)
• Spatial Mental Modeling from Limited Views [71.57140964322559]
  新しいMindCubeベンチマークでは、3,268枚の画像に21,154件の質問があった。 MindCubeを用いて、視覚言語モデル(VLM)がいかに堅牢な空間精神モデルを構築するかを評価する。 次に、VLMが空間的メンタルモデルに近似する3つのアプローチを探索する。
  論文  参考訳（メタデータ） (2025-06-26T16:38:19Z)
• ViewSpatial-Bench: Evaluating Multi-perspective Spatial Localization in Vision-Language Models [68.46716645478661]
  視覚言語モデル (VLM) は視覚的内容の理解と推論において顕著な能力を示した。 現在のVLMは、主に自我中心の空間的推論(カメラの観点から)に優れるが、同中心の視点に一般化することができない。 マルチ視点空間位置認識評価に特化して設計された,初の総合的なベンチマークであるViewSpatial-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-05-27T17:59:26Z)
• 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)

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。