論文の概要: Loop to Look Better: Learning Adaptive Depth for Question-Guided Perception in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.30824v1
• Date: Thu, 22 Oct 2026 06:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.263427
• Title: Loop to Look Better: Learning Adaptive Depth for Question-Guided Perception in Vision-Language Models
• Title（参考訳）: ループ・トゥ・ルック:視覚言語モデルにおける質問指導型知覚のための適応深さの学習
• Abstract要約: LoopLookは軽量なエンコーダ側のリカレント認識フレームワークである。 事前訓練された視覚言語モデルに適応的な視覚深度を持たせる。 ベースラインにおけるパフォーマンスを継続的に改善し、MMStarで最大8.6%、HalusionBenchで最大8.1%向上した。
• 参考スコア（独自算出の注目度）: 42.73039848510185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual perception should be iterative and task-directed, with representations refined in response to the question and the need for further processing. While Vision-Language Models (VLMs) increasingly support extended reasoning, their visual tokens are still typically acquired in a single, task-agnostic encoder pass. This creates an evidence-acquisition bottleneck: models may reason longer without refining the visual evidence needed to answer the question. We propose LoopLook, a lightweight encoder-side recurrent perception framework that equips pretrained VLMs with adaptive visual depth. LoopLook recurrently revisits a middle-to-late window of the vision encoder, injecting question representations at each loop to guide visual refinement. A learned stopping mechanism adaptively determines the recurrent depth, while a token-wise Mixture-of-Looks (MoL) combines representations from different loops, allowing each visual token to selectively integrate information acquired across recurrent steps. Across four backbones and eight benchmarks, LoopLook consistently improves performance over the baseline, yielding gains of up to 8.6% on MMStar and 8.1% on HallusionBench. Our analysis shows that LoopLook progressively refines visual attention and adaptively allocates depth according to task difficulty. It also better preserves task-relevant visual information under reduced input resolution, while increasing time to first token (TTFT) by only 5.1-6.5%. By bringing recurrence from reasoning back into perception, LoopLook transforms visual perception from a one-shot glimpse into an adaptive process of recurrent refinement.
• Abstract（参考訳）: 視覚的知覚は反復的でタスク指向であり、質問やさらなる処理の必要性に応じて表現が洗練されなければならない。 VLM(Vision-Language Models)は、拡張推論をサポートする傾向にあるが、視覚トークンは通常、単一のタスクに依存しないエンコーダパスで取得される。 モデルは、質問に答えるために必要な視覚的証拠を精査することなく、より長い推論をすることができる。 適応的な視覚深度でトレーニング済みのVLMを装備する軽量エンコーダ側リカレント認識フレームワークであるLoopLookを提案する。 LoopLookは視覚エンコーダの中間から後期のウィンドウを再修正し、各ループに質問表現を注入して視覚的洗練を誘導する。 学習した停止機構は、繰り返し深さを適応的に決定し、トークンワイド混合ルーク(MoL)は異なるループからの表現を組み合わせることにより、各視覚トークンは、繰り返しステップ間で取得した情報を選択的に統合することができる。 4つのバックボーンと8つのベンチマークで、LoopLookは一貫してベースラインのパフォーマンスを改善し、MMStarで最大8.6%、HalusionBenchで最大8.1%向上した。 分析の結果、LoopLookは視覚的注意を徐々に洗練し、タスクの難易度に応じて奥行きを適応的に割り当てていることがわかった。 また、タスク関連視覚情報を少ない入力解像度で保存し、第1トークン(TTFT)までの時間をわずか5.1-6.5%増加させる。 LoopLookは、推論から認識への再帰をもたらすことで、視覚的知覚をワンショットのスリープから、反復的な改善の適応的なプロセスに変換する。

関連論文リスト

• AdaLoop: Thinking with the Vision Encoder [1.6722865570402627]
  本稿では,視覚言語モデルにおける質問条件付き視覚再現のためのフレームワークであるAdaLoopを紹介する。 AdaLoopは問題に視覚的変換を適用し、複数のイテレーションでエンコーダの変換を再利用する。 その結果,事前学習した視覚エンコーダは,タスク指向の反復的視覚計算による推論に寄与することが示唆された。
  論文  参考訳（メタデータ） (2026-10-15T06:14:16Z)
• Is Visual Prompting All You Need? Studying VLM Spatial Reasoning under Progressive Visual Scaffolds [12.841957617988148]
  本研究では,タスクの視覚的提示がモデル性能と障害モードを,基礎となる推論問題が変化しない場合にどのように形成するかを検討する。 空間構造をより使いやすくしながら、視覚的モダリティを保ちつつ、軽量な入力側足場を導入する。 視覚提示は,VLMベンチマークが基底認識,下流推論,あるいは両者の混合を計測するかどうかを決定する中心的な要因であることがわかった。
  論文  参考訳（メタデータ） (2026-08-21T14:40:26Z)
• VisReflect: Latent Visual Reflection for Fine-Grained Perception in Long Visual Context [47.466197471764104]
  潜時視覚反射による長い視覚的コンテキストにおけるきめ細かい知覚を改善するフレームワークである**VisReflect*を提案する。 画像ベンチマークでは4.1%,ビデオベンチマークでは1.8%向上した。 ズーム法と比較すると,提案手法は映像理解における推論時間を約44%削減し,比較性能が向上する。
  論文  参考訳（メタデータ） (2026-06-29T13:30:17Z)
• Visual-ERM: Reward Modeling for Visual Equivalence [59.317480168347664]
  Visual Equivalence Reward Model (Visual-ERM)は、細粒度、解釈可能、タスクに依存しないフィードバックを提供するマルチモーダル生成報酬モデルである。 Visual-ERM は Qwen3-VL-8B-Instruct を 8.4 で改善し、テーブルとSVGのパースで一貫したゲインを得る。 VisualCritic-RewardBench(VC-RewardBench)は、構造化された視覚データに対して微細な画像と画像の相違を判定するためのベンチマークである。
  論文  参考訳（メタデータ） (2026-03-13T17:58:14Z)
• Rethinking Prompt Design for Inference-time Scaling in Text-to-Visual Generation [63.042451267669485]
  Inference-time Scaling のための Prompt Redesign を提案する。これは、拡張された視覚世代に対応するために、推論中にプロンプトを適応的に修正するフレームワークである。 そこで我々は,素早い属性と生成した視覚の微粒化レベルでのアライメントを評価する,新しい検証手法である要素レベルの事実補正を導入する。 テキスト・ツー・イメージ・ベンチマークとテキスト・ツー・ビデオ・ベンチマークによる実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-12-03T07:54:05Z)
• Visual Jigsaw Post-Training Improves MLLMs [58.29961336087896]
  大規模言語モデル(MLLM)における視覚的理解を強化するために設計された,汎用的な自己教師型ポストトレーニングフレームワークであるVisual Jigsawを紹介する。 視覚的な入力は分割され、シャッフルされ、モデルは自然言語で正しい置換を生成することで視覚情報を再構築する必要がある。 広範囲な実験により、微粒な知覚、時間的推論、空間的理解が大幅に改善された。
  論文  参考訳（メタデータ） (2025-09-29T17:59:57Z)
• Rethinking Visual Token Reduction in LVLMs under Cross-modal Misalignment [38.04426918886084]
  視覚言語モデル(LVLM)は、視覚入力をパッチレベルのトークンの密度の高いシーケンスとしてエンコードし、微細なセマンティクスをキャプチャする。 これまでは、大型言語モデル(LLM)の前か中のいずれかで、視覚トークンの削減を検討してきた。 トレーニングフリーで視覚のみのプルーニングフレームワークであるVisionDropを導入し、モーダル内(視覚から視覚への)注目に基づいて情報的視覚トークンを選択する。
  論文  参考訳（メタデータ） (2025-06-27T14:55:40Z)
• Rephrase, Augment, Reason: Visual Grounding of Questions for Vision-Language Models [59.05769810380928]
  Rephrase, Augment and Reason (RepARe) は勾配のないフレームワークで、基礎となる視覚言語モデルを用いて画像に関する詳細な情報を抽出する。 その結果、VQAv2では3.85%(絶対)、A-OKVQAでは6.41%、VizWizでは7.94%の増加が見られた。
  論文  参考訳（メタデータ） (2023-10-09T16:57:57Z)

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。