論文の概要: PROVE: Probabilistic Visual Grounding via Patch-Level Evidence for Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.32440v1
• Date: Fri, 23 Oct 2026 10:06:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.48994
• Title: PROVE: Probabilistic Visual Grounding via Patch-Level Evidence for Vision-Language Models
• Title（参考訳）: PROVE:視覚言語モデルのためのパッチレベルエビデンスによる確率的視覚接地
• Abstract要約: バックボーンを変更せずにCLIPパッチ機能をパッチごとの分布にマップする,ポストホックなアフィデンシャルアダプタである textbfPROVE (textbf Probabilistic textbfVisual Grounding via Patch-Level textbfEvidence) を導入する。
• 参考スコア（独自算出の注目度）: 3.2539450983887637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual grounding with vision-language models such as CLIP typically produces a single deterministic relevance map for an image-query pair, without indicating whether the localisation is reliable or whether the referent is present at all. We introduce \textbf{PROVE} (\textbf{Pro}babilistic \textbf{V}isual Grounding via Patch-Level \textbf{E}vidence), a post-hoc evidential adapter that maps frozen CLIP patch features to per-patch Beta distributions without modifying the backbone. PROVE casts grounding as per-patch membership: each patch accumulates positive and negative evidence for whether it belongs to the referent, so a query may match zero, one, or many patches. We train PROVE with an evidential objective on soft patch-coverage targets, and define a prior-pull objective that keeps absent-referent examples near an uninformative prior, so that vacuity serves as an absence signal without a dedicated presence classifier. During inference, a single forward pass yields, in closed form, a posterior-mean grounding map, a spatial vacuity map, and an image-level absence score. We evaluate PROVE on referring-expression benchmarks: it is competitive in localisation with state-of-the-art CLIP grounding methods, its uncertainty tracks localisation error and supports selective prediction under abstention, and its image-level score detects when the referent is absent altogether. Our evidential patch-membership modelling offers a simple, drop-in mechanism for probabilistic verification in frozen vision-language grounding systems.
• Abstract（参考訳）: CLIPのような視覚言語モデルによる視覚的グラウンドは、通常、画像クエリペアに対して、ローカライゼーションが信頼できるか、参照が全く存在するかを示すことなく、単一の決定論的関連マップを生成する。 Patch-Level \textbf{E}vidence は,凍結したCLIPパッチの機能をバックボーンを変更することなく,パッチごとのベータディストリビューションにマップする。 各パッチは、それが参照者に属するかどうかの正の証拠と負の証拠を蓄積するので、クエリは0、1、または多くのパッチと一致する。 本稿では, ソフトパッチ被覆対象に対して明らかな目的を持つPROVEを訓練し, 空白が専用存在分類器を使わずに欠落信号として機能するように, 不適切な事例を非形式的事前に保持するプリプル目標を定義する。 推論中、単一のフォワードパスがクローズドな形で、後平均接地マップ、空間空隙マップ、画像レベルの不在スコアを出力する。 我々は,PROVEを参照圧縮ベンチマークで評価し,最先端のCLIP接地手法とローカライゼーションの競争力があり,不確実性はローカライゼーションの誤差を追跡し,禁忌下での選択予測をサポートし,画像レベルのスコアが参照が完全に欠落していることを検知する。 我々の明らかなパッチメンバーシップモデリングは、凍結した視覚言語接地システムにおける確率的検証のための簡易なドロップイン機構を提供する。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• ProtoLIP: From Sentence-Level to Object-Level Evidence Disentanglement [32.493558609275546]
  軽量なプロトタイプによるエビデンス層である textbfProtoLIP を紹介する。 ProtoLIPは再利用可能な視覚プロトタイプをテキスト由来のセマンティックファミリーに整理する。 ProtoLIPは、そのマッチングスコアを、ローカライズされたプロトタイプエビデンスから直接構築する。
  論文  参考訳（メタデータ） (2026-09-14T19:39:57Z)
• Learning to Track from Privileged Target Appearances [67.80976117600649]
  ボトルネックを、現在のターゲット作物を正確に供給する、デプロイ不可能なオラクルと定量化する。 我々は,これらの特権的外観をデプロイ可能なトラッカーに転送する教師学生向けトレーニングフレームワークであるPrivileged Appearance Transfer for Tracking (PATT)を紹介した。 PATTは、長期追跡プロトコルと短期追跡プロトコルの両方で一貫した利得を達成する。
  論文  参考訳（メタデータ） (2026-09-02T11:43:43Z)
• Don't Just Look, Intervene: Perturbation Based Region Labeling for VQA Images [7.9388526873453324]
  CSGR(Counterfactual Search for Grounding Regions)について紹介する。 CSGRはスケーラブルなパイプラインであり、候補領域を提案し、それらを摂動させ、応答感度への影響を測定し、この証拠を裁判官に集約し、VQAデータ内の応答クリティカルな領域を近似する。 CSGRアノテーションが有用な監視信号を含むかどうかを評価するため,既存の3つのグラウンド・アウェア・トレーニングルーチンに接続する。
  論文  参考訳（メタデータ） (2026-09-01T20:56:09Z)
• PointRL: Learning Point-Level Vision-Language Grounding from Verifiable Annotation Evidence [4.87376023514389]
  この研究は、ポイントレベルの接地を学習する検証可能な強化学習フレームワークであるPointRLを提示する。 PointRLは、バウンディングボックス、マスク、インスタンスラベルをポインティング命令に変換し、ターゲットサポート、インスタンスメンバシップ、セット制約を保持する。 提案した報酬は、解析可能性、ポイント妥当性、インスタンスカバレッジ、濃度一貫性、冗長または欠落予測を評価する。
  論文  参考訳（メタデータ） (2026-08-26T02:10:29Z)
• Reference-Induced Consensus for Selective Posed-Reference Visual Localization [11.166886974945806]
  RIC-Locは、シーントレーニングなしのポーズ参照ローカライザである。 主推定器では、SfM-point-map-freeである。
  論文  参考訳（メタデータ） (2026-07-06T06:48:34Z)
• HKVLM: Faithful Query--Region Binding for Frozen-Detector Visual Grounding [1.4061915592167218]
  HKVLMは、参照クエリの埋め込みを共有空間内の検出提案にマッピングする軽量なフックを学習する。 HKVLMは、トレーニングされていない、トレーニング済みのマッチング-パーセプション結合制御よりも改善されていることを示す。 我々はHKVLMを,凍結した知覚下でのクエリ領域結合の診断およびメカニズムレベルの研究として紹介する。
  論文  参考訳（メタデータ） (2026-06-27T11:10:33Z)
• Breaking the Frame: Visual Place Recognition by Overlap Prediction [53.17564423756082]
  本稿では,重なり合う予測に基づく新しい視覚的位置認識手法 VOP を提案する。 VOPは、Vision Transformerのバックボーンを使用してパッチレベルの埋め込みを取得することで、コビジュアブルなイメージセクションを進める。 提案手法では,データベース画像の重複点の評価に投票機構を用いる。
  論文  参考訳（メタデータ） (2024-06-23T20:00:20Z)
• Bootstrap Fine-Grained Vision-Language Alignment for Unified Zero-Shot Anomaly Localization [63.61093388441298]
  対照的な言語-画像事前学習モデルは、ゼロショット視覚認識タスクで有望なパフォーマンスを示した。 本研究では,ゼロショット異常局所化のためのAnoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-08-30T10:35:36Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。