論文の概要: Beyond Pattern Matching in 3D MLLMs: Part-Level Functional Reasoning for Generalizable Recognition

• arxiv url: http://arxiv.org/abs/2610.32262v1
• Date: Fri, 23 Oct 2026 07:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.417983
• Title: Beyond Pattern Matching in 3D MLLMs: Part-Level Functional Reasoning for Generalizable Recognition
• Title（参考訳）: 3次元MLLMにおけるパターンマッチングを超えて:一般化可能な認識のための部分レベル機能推論
• Abstract要約: 3D MLLMはパターンマッチングによってオブジェクトを認識するが、これは幾何学的に類似したオブジェクトが不明瞭に機能的推論を必要とする場合に失敗する。 関数・アズ・アノテーション・パターンを同定し、関数言語は推論をサポートする代わりに既知のアイデンティティをデコレートする。 部分レベルの機能的推論はより一般化可能な3D認識への効果的な経路である。
• 参考スコア（独自算出の注目度）: 54.603165239409925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D MLLMs recognize objects via pattern matching, which fails when geometrically similar objects require functional reasoning to disambiguate (e.g., dresser vs. wardrobe). Our per-sample Geometric Confusion Score (GCS) exposes this failure: baseline accuracy is 33.7% on ModelNet40's most ambiguous 20% versus 84.0% on its least ambiguous 20%. We identify a function-as-annotation pattern, in which functional language decorates a known identity instead of supporting inference, and hypothesize that reversing this information flow should concentrate improvements on the most ambiguous samples. PFIR (Part-level Functional Inference for Recognition) reverses that flow. Built on PartNeXt part segmentation, its data pipeline produces 507K QA pairs with functional CoTs (geometry $\to$ function $\to$ identity), and its progressive curriculum culminates in dual-objective GRPO: strict functional reasoning and descriptive grounding for Objaverse's diverse distribution. The two RL objectives yield nearly orthogonal task vectors ($\cos = 0.056$), enabling composition via Task Arithmetic. Under a strict dual OOD protocol (Objaverse $\to$ ModelNet40; XYZRGB $\to$ XYZ-only), PFIR raises zero-shot accuracy from 60.5% to 66.7%, with gains concentrated $2.6\times$ more on geometrically ambiguous samples---supporting part-level functional reasoning as an effective route to more generalizable 3D recognition. Code: https://github.com/this233/pfir-3d.
• Abstract（参考訳）: 3D MLLMはパターンマッチングによってオブジェクトを認識するが、これは幾何学的に類似したオブジェクトが機能的推論を必要とする場合に失敗する(例えば、ドレッサー対ワードローブ)。 ベースライン精度は ModelNet40 で最も曖昧な 20% に対して 33.7% であり、最も曖昧な 20% では 84.0% である。 機能言語が推論を支援する代わりに既知のアイデンティティをデコレートする関数・アズ・ア・アノテーション・パターンを同定し,この情報フローの逆転は最も曖昧なサンプルに改善を集中すべきである,という仮説を立てる。 PFIR(Part-level Functional Inference for Recognition)はその流れを逆転させる。 PartNeXtの部分セグメンテーションに基づいて、データパイプラインは507KのQAペアと関数CoT(geometry $\to$ function $\to$ identity)を生成する。 2つの RL の目的は、ほぼ直交のタスクベクトル (\cos = 0.056$) を生成し、タスク算術的な構成を可能にする。 厳密なデュアルOODプロトコル(Objaverse $\to$ ModelNet40; XYZRGB $\to$ XYZ-only)の下で、PFIRはゼロショットの精度を60.5%から66.7%に引き上げ、幾何学的に曖昧なサンプルに2.6\times$を集中する。 コード:https://github.com/this233/pfir-3d

関連論文リスト

• SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
  推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。 既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。 明示的なWhat-whereインターフェースであるSeGDePを提示する。
  論文  参考訳（メタデータ） (2026-09-08T15:11:32Z)
• Linear Probes Detect Task Format, Not Reasoning Mode in Language Model Hidden States [16.505918019260964]
  大規模言語モデル(LLM)隠れ状態の線形探索は、モデルが異なる推論型に対して異なる表現を学習すると主張するために広く用いられている。 古典的三分法にまたがる3つのベンチマーク、LogiQA 2.0 (導出性)、ARC-Challenge (導出性)、$$NLI (導出性)で、QwensicBによりこれを検証した。
  論文  参考訳（メタデータ） (2026-06-01T21:22:15Z)
• Representation Without Reward: A JEPA Audit for LLM Fine-Tuning [1.2691047660244335]
  JEPA(Joint-embedding predictive Architectures)は、モデルが観測された出力よりも遅延表現を予測できるように訓練された時に、より有用な抽象化を学ぶべきであることを提案している。 自己回帰型言語モデルの微調整には、この原理はより厳密な要件を必要とする。 我々は、Llama-3.2-1B-Instruct LoRA を用いて、自然言語からレジェックス生成におけるその要件を検証した。
  論文  参考訳（メタデータ） (2026-05-14T20:27:32Z)
• FunFact: Building Probabilistic Functional 3D Scene Graphs via Factor-Graph Reasoning [48.3789545323541]
  確率的開語彙関数型3Dシーングラフを構築するためのフレームワークであるFunFactを紹介する。 FunFactはまず、オブジェクトと部分中心の3Dマップを構築し、基礎モデルを使用して意味論的に妥当な機能関係を提案する。 この設定をベンチマークするために、AI2-THORに基づく合成データセットであるFunThorを紹介した。
  論文  参考訳（メタデータ） (2026-04-04T11:53:12Z)
• GST-VLA: Structured Gaussian Spatial Tokens for 3D Depth-Aware Vision-Language-Action Models [6.2676602262188625]
  VLAモデルは、内在的な幾何学構造を持たない2次元パッチトークンとして視覚観察を符号化する。 GST-VLAを2つのコントリビューションで紹介する。 第一に、ガウス空間Tokenizer (GST) は凍った深度と凍ったセマンティックパッチの特徴を3Dプリミティブに変換する。 第二に、DA-CoT推論は4つの構造化された中間空間的思考を監督する。
  論文  参考訳（メタデータ） (2026-03-10T01:39:38Z)
• Test3R: Learning to Reconstruct 3D at Test Time [58.0912500917036]
  Test3Rは驚くほどシンプルなテストタイム学習技術で、幾何学的精度を大幅に向上させる。 本手法は従来の3次元再構成法や多視点深度推定法よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-16T17:56:22Z)
• Rethinking End-to-End 2D to 3D Scene Segmentation in Gaussian Splatting [86.15347226865826]
  We design an new end-to-end object-aware lifting approach, called Unified-Lift。 コントラスト損失を用いて学習したガウスレベルの機能を各ガウス点に拡張し、インスタンス情報をエンコードする。 LERF-Masked、Replica、Messy Roomsの3つのベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2025-03-18T08:42:23Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)

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。