論文の概要: Aerial-R1: Reinforcing Aerial Reasoning and Segmentation in MLLMs
- arxiv url: http://arxiv.org/abs/2610.33056v1
- Date: Mon, 19 Oct 2026 08:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.230695
- Title: Aerial-R1: Reinforcing Aerial Reasoning and Segmentation in MLLMs
- Title（参考訳）: Aerial-R1:MLLMにおけるAerial ReasoningとSementationの強化
- Abstract要約: 本稿では,航空推論とセグメンテーションのための視覚推論能力を強化する最初の航空MLLMフレームワークであるAerial-R1を紹介する。
信頼に値する知覚は、ビュー間の一貫性に起因し、論理学におけるチェーン・オブ・サートと視覚的に平行であることがわかった。
明確な入力に対するコンセンサスを強制し、曖昧な入力に対して厳格に幻覚を罰することにより、Aerial-R1は明示的に動機付けされた拒絶機構を発達させる。
- 参考スコア（独自算出の注目度）: 50.34796465442528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Multimodal Large Language Models (MLLMs) have revolutionized general visual perception, existing methods suffer from severe hallucination in the aerial domain, where extreme scale variations and visual ambiguity abound. Existing Supervised Fine-Tuning (SFT) paradigms force models to mimic ground truth without modeling uncertainty, often resulting in blind guessing on tiny or unrecognizable objects in aerial scenes. In this paper, we present Aerial-R1, the first aerial MLLM framework to reinforce visual reasoning capabilities for aerial reasoning and segmentation. Drawing inspiration from the reasoning-incentivizing mechanisms of DeepSeek-R1, we find that trustworthy perception stems from consistency across views, establishing a visual parallel to the Chain-of-Thought in logic. To effectively adapt policy optimization for non-autoregressive mask generation, we introduce Hybrid-View Group Advantage-Weighted Regression (H-GAWR). This strategy constructs dynamic groups of high-resolution and low-resolution views, seamlessly bridging group-relative advantage estimation with advantage-weighted policy extraction. By enforcing consensus on clear inputs and strictly penalizing hallucinations on ambiguous ones, Aerial-R1 develops an explicitly incentivized refusal mechanism. Extensive experiments on VSAI-Ref, the first aerial MLLM benchmark dedicated to jointly evaluating dense reasoning and hallucination robustness, demonstrate that Aerial-R1 significantly outperforms SFT baselines in segmentation precision while substantially mitigating fatal hallucinations in low-information scenarios, paving the way for more reliable and trustworthy aerial agents. Codes are available on https://github.com/phy709/Aerial-R1.
- Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、一般的な視覚知覚に革命をもたらしたが、既存の手法は、極端なスケールのバリエーションと視覚的あいまいさが増加する空域で深刻な幻覚に悩まされている。
既存のSFT(Supervised Fine-Tuning)パラダイムは、不確実性をモデル化することなく、地上の真実を模倣するようモデルに強制する。
本稿では,航空推論とセグメンテーションのための視覚推論能力を強化する最初の航空MLLMフレームワークであるAerial-R1を提案する。
DeepSeek-R1の推論を動機づけるメカニズムからインスピレーションを得た結果、信頼に値する知覚はビュー間の一貫性に起因し、論理学におけるChain-of-Thoughtと視覚的に平行であることがわかった。
非自己回帰マスク生成のためのポリシー最適化を効果的に適用するために,Hybrid-View Group Advantage-Weighted Regression (H-GAWR)を提案する。
この戦略は、高解像度かつ低解像度なビューの動的グループを構築し、利得重み付けされたポリシー抽出によるグループ相対的優位推定をシームレスにブリッジする。
明確な入力に対するコンセンサスを強制し、曖昧な入力に対して厳格に幻覚を罰することにより、Aerial-R1は明示的に動機付けされた拒絶機構を発達させる。
密接な推論と幻覚の堅牢性を共同評価するための最初の航空MLLMベンチマークであるVSAI-Refの大規模な実験は、Aerial-R1が低情報シナリオにおける致命的な幻覚を著しく軽減し、より信頼性と信頼性の高い航空エージェントの道を歩む一方で、セグメンテーション精度においてSFTベースラインを著しく上回っていることを示した。
コードはhttps://github.com/phy709/Aerial-R1で公開されている。
関連論文リスト
- IVR-R1: Refining Trajectories through Iterative Visual-Grounded Reasoning in Reinforcement Learning [15.580070614790776]
強化学習による多モーダルな大言語モデルは、複雑な視覚的推論タスクにおいて顕著な能力を示した。
現在の方法では、下流の推論を容易にするために、高次元の視覚シーンを個別のテキストプロキシにプリエンコードする。
推論軌道を補正して最適化する動的視覚再構成を導入する。
論文 参考訳（メタデータ） (2026-05-18T09:53:08Z) - Not All Tokens See Equally: Perception-Grounded Policy Optimization for Large Vision-Language Models [38.47027398567909]
Perception-Grounded Policy Optimization (PGPO)は、トークンレベルでのメリットを動的に再評価する、新しいきめ細かなクレジット割り当てフレームワークである。
PGPOは,言語的先行音からの勾配雑音を抑えつつ,視覚的に依存するトークンの学習信号を積極的に増幅することを示す。
理論的および実証的な分析は、PGPOが勾配の分散を効果的に減少させ、訓練の崩壊を防ぎ、頑健で知覚的なマルチモーダル推論のための強力な正則化剤として機能することを確認する。
論文 参考訳（メタデータ） (2026-04-02T09:53:20Z) - Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation [51.743225614196774]
マルチモーダル大言語モデル (MLLM) は視覚言語推論において顕著な進歩を遂げている。
彼らは幻覚に弱いままであり、そこで生成されたコンテンツは視覚的証拠から逸脱する。
近年の視覚強調法では、復号時に視覚トークンを補強することでこの問題に対処しようとしている。
本稿では,MLLMのトレーニングフリーフレームワークであるAdaptive Visual Reinforcement (AIR)を提案する。
論文 参考訳（メタデータ） (2026-02-27T14:18:51Z) - GFRRN: Explore the Gaps in Single Image Reflection Removal [23.018215754935753]
単一画像の反射除去のためのギャップフリー反射除去ネットワーク(GFRRN)を提案する。
本研究では,まず,パラメータ効率のよい微調整(PEFT)戦略を採用し,トレーニングの方向性を調整する。
そして、ラベル生成装置は、合成データと実世界のデータの両方のリフレクションラベルを統合するように設計されている。
GFRRNの有効性を実証し,最先端SIRR法に対して優れた性能を示した。
論文 参考訳（メタデータ） (2026-02-26T07:17:49Z) - ConsistentRFT: Reducing Visual Hallucinations in Flow-based Reinforcement Fine-Tuning [85.20505958752928]
フローベースモデル上での強化ファインチューニング(RFT)は、優先順位調整に不可欠である。
RFTは、過度に最適化された詳細や意味的なミスアライメントのような視覚幻覚をしばしば導入する。
この研究は、なぜ視覚幻覚が生じるのか、どのようにそれらを減らすのかを予備的に探求する。
論文 参考訳（メタデータ） (2026-02-03T11:49:46Z) - Unlocking the Essence of Beauty: Advanced Aesthetic Reasoning with Relative-Absolute Policy Optimization [63.169050703903515]
強化学習(RL)を用いた包括的審美的推論フレームワークAes-R1を提案する。
Aes-R1はパイプライン、AesCoTを統合し、高品質なチェーン・オブ・プリーティングデータの構築とフィルタリングを行う。
実験により、Aes-R1は背骨の平均PLCC/SRCCを47.9%/34.8%改善することが示された。
論文 参考訳（メタデータ） (2025-09-26T04:55:00Z) - Ground-R1: Incentivizing Grounded Visual Reasoning via Reinforcement Learning [96.01617809845396]
Ground-R1は、明示的なエビデンスや合理的アノテーションを必要とせずに、基礎的な視覚的推論を可能にする強化学習フレームワークである。
グラウンドR1は優れた性能を示し、不確実性認識、空間認識、反復的洗練などの創発的な認知行動を示す。
論文 参考訳（メタデータ） (2025-05-26T17:51:47Z)
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。