論文の概要: Latent Visual Contrastive Reasoning with Multi-Branch Exploration

• arxiv url: http://arxiv.org/abs/2610.36809v1
• Date: Tue, 27 Oct 2026 08:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.543355
• Title: Latent Visual Contrastive Reasoning with Multi-Branch Exploration
• Title（参考訳）: マルチブランチ探索による潜在的視覚コントラスト推論
• Abstract要約: 複雑な視覚的推論のための分岐認識潜在推論フレームワークを提案する。 Latent Visual Contrastive Reasoningは、画像トークンに対するソフト仮説として、質問条件付き潜時視覚枝を生成する。 提案手法は,3Bスケールと7Bスケールの両方において,対応するバックボーンおよびシングルパス遅延推論ベースラインに対する全体的な改善を実現する。
• 参考スコア（独自算出の注目度）: 21.195057943211655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models have made substantial progress in visual question answering, but complex visual reasoning often requires locating and comparing multiple pieces of question-relevant visual evidence. Existing methods that move intermediate reasoning into the visual latent space usually follow a single linear reasoning trajectory, which can be limiting when multiple visual hypotheses or competing evidence regions are relevant. We propose Latent Visual Contrastive Reasoning, a branch-aware latent reasoning framework that generates multiple question-conditioned latent visual branches as soft hypotheses over image tokens. To train these branches, our method uses bounding-box evidence annotations to build target evidence representations and introduces a soft contrastive branch-evidence alignment objective. This objective encourages evidence-relevant branches to align with annotated visual regions while contrasting them against negative evidence. We instantiate our method on Qwen2.5-VL backbones and train it with standard supervised fine-tuning. Experiments on perception-intensive visual reasoning benchmarks show that the proposed method achieves overall improvements over the corresponding backbone and single-path latent reasoning baselines at both 3B and 7B scales.
• Abstract（参考訳）: マルチモーダルな大規模言語モデルは、視覚的質問応答においてかなりの進歩を遂げてきたが、複雑な視覚的推論では、複数の質問関連視覚的証拠を探索し比較する必要があることが多い。 中間推論を視覚潜在空間に移す既存の方法は、通常、単一の線形推論軌跡に従うが、これは複数の視覚仮説や競合するエビデンス領域が関係している場合に制限される。 画像トークンに対するソフトな仮説として,複数の疑問条件付き潜時視覚枝を生成する分岐対応潜時推論フレームワークであるLatent Visual Contrastive Reasoningを提案する。 これらのブランチをトレーニングするために,本手法では,バウンディングボックスエビデンスアノテーションを用いて,ターゲットエビデンス表現を構築し,ソフトコントラストなブランチエビデンスアライメントの目的を導入する。 この目的は、証拠に関連のある枝が、否定的な証拠と対比しながら、注釈付き視覚領域と整合することを奨励する。 我々はQwen2.5-VLバックボーン上で本手法をインスタンス化し、標準的な教師付き微調整でトレーニングする。 知覚集約型視覚推論ベンチマークの実験により,提案手法は3Bスケールと7Bスケールの両方で,対応するバックボーンと単一パス遅延推論ベースラインに対する全体的な改善を実現することが示された。

関連論文リスト

• Seek-and-View Reasoning for Multi-View Spatial Understanding [69.49166727741544]
  したがって、視覚言語モデル(VLM)は、シーンを理解し、これらの固定されたビュー内の空間的関係を推測するために制限される。 我々は、暗黙的な空間的証拠を見つけるために、新しいSeek-and-View推論手法を定式化する。 本稿では,VLMと3次元基礎モデルを組み合わせたトレーニング不要なモデルに依存しない推論フレームワークであるVantageを提案する。
  論文  参考訳（メタデータ） (2026-10-08T12:18:01Z)
• MM-OPD: Towards One More Bottleneck Between Perception and Reasoning [51.632342337454226]
  最近の大規模言語モデル(MLLM)は、知覚と推論の両方を強化することで視覚的推論を推し進めている。 我々はこの仮定に挑戦する直感的現象を観察し、モデル、疑問、復号化を保ち、イメージをキャプションやコード表現に置き換える。 本稿では,シンボル条件付き行動から画像条件付きポリシーへガイダンスを転送する,シンボル・視覚的修正のためのフレームワークMM-OPDを紹介する。
  論文  参考訳（メタデータ） (2026-09-26T14:53:25Z)
• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• OPLD: On-Policy Latent Distillation for Multimodal Reasoning [27.842942669819948]
  マルチモーダル・チェーン・オブ・リーブド(CoT)は、補助的な視覚的証拠を中間的推論に組み込むことで視覚的推論を改善する。 既存のアプローチは、外部で定義された推論トレースと視覚操作によって制約される。 本稿では,特権付きマルチモーダルCoTによって引き起こされる推論能力を潜在的推論表現に伝達するフレームワークOPLDを提案する。
  論文  参考訳（メタデータ） (2026-07-30T12:57:45Z)
• H-GRPO: Permutation-Invariant Reinforcement Learning for Grounded Visual Reasoning [14.276463740862825]
  VLM(Vision-Language Models)は、ベンチマークで高パフォーマンスを実現し、「ブラックボックス」を継続する。 そこで本稿では,De-compositional Evidence Groundingによる性能と解釈性の向上を目的としたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-29T07:51:25Z)
• RoboPIN: Grounded Embodied Reasoning via Pinned Chain-of-Thought [50.36951914894845]
  身体的推論は、物理的環境におけるタスク関連オブジェクトや空間を知覚するモデルを必要とする。 現在の視覚言語モデルは、テキストのみまたはコーディネートで拡張されたチェーン・オブ・思想に依存している。 我々は、あらゆる推論ステップを視覚的証拠にピン留めする構造化推論パラダイムであるPinned Chain-of-Thoughtを提案する。
  論文  参考訳（メタデータ） (2026-06-14T11:30:42Z)
• Look on Demand: A Cognitive Scheduling Framework for Visual Evidence Acquisition in Multimodal Reasoning [82.86343313807158]
  我々は、視覚的証拠が推論プロセスにどのように、いつ導入されるかが中心的な課題であると主張している。 この知見により,言語モデルが推論プロセスを制御するマルチモーダル推論フレームワークCSMRを提案する。
  論文  参考訳（メタデータ） (2026-05-27T08:43:13Z)
• See It, Say It, Sorted: An Iterative Training-Free Framework for Visually-Grounded Multimodal Reasoning in LVLMs [24.90876091319589]
  視覚的マルチモーダル推論のための反復的,トレーニング不要,プラグアンドプレイフレームワークを提案する。 私たちのキーとなるアイデアは、視覚的なエビデンスでテスト時の各推論ステップを監督することです。 本手法はTreeBenchを16.5%-29.5%改善し,RH-AUCを13.7%向上させる。
  論文  参考訳（メタデータ） (2026-02-25T02:13:59Z)
• Take A Step Back: Rethinking the Two Stages in Visual Reasoning [57.16394309170051]
  本稿では2段階の視点で視覚的推論を再考する。 共有アナライザを使用しながら、異なるデータドメイン用の分離エンコーダによるシンボル化を実装する方が効率的である。 提案する2段階のフレームワークは,様々な視覚的推論タスクにおいて,印象的な一般化を実現する。
  論文  参考訳（メタデータ） (2024-07-29T02:56:19Z)

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。