論文の概要: Zooming without Zooming v2: From Seeing Details to Connecting Evidence for Generalizable Multimodal Perception

• arxiv url: http://arxiv.org/abs/2610.37037v1
• Date: Tue, 27 Oct 2026 11:11:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.573866
• Title: Zooming without Zooming v2: From Seeing Details to Connecting Evidence for Generalizable Multimodal Perception
• Title（参考訳）: ズームなしでズームする v2: 詳細からコネクテッドエビデンスまで : 一般化可能なマルチモーダル知覚
• Abstract要約: EvidenceConnectは高品質なトレーニングデータを合成するためのフレームワークだ。 視覚的証拠の比較、集約、連鎖を必要とする質問を生成する。 ZwZ2は、具体的空間推論、マルチモーダル長文理解、マルチモーダルエージェントタスク、一般的な視覚推論などにより、きめ細やかな空間知覚を改善する。
• 参考スコア（独自算出の注目度）: 38.97371862066792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal perception forms the foundation of multimodal intelligence. In particular, spatial perception and multimodal long-context understanding are two pivotal tasks that underpin embodied AI and multimodal agents. However, synthesizing targeted, high-quality training data for these tasks remains difficult and costly. Our key insight is that these tasks share an underlying capability, which we call connecting evidence: identifying relevant visual facts, binding them to the correct entities, recovering their relations, and composing them into an answer. Crucially, targeted training data are far easier to synthesize for this capability than for these tasks themselves. To strengthen this capability, we propose EvidenceConnect, an easy-to-implement data synthesis framework that uses zoomed views of related regions within a single image to generate questions requiring comparison, aggregation, or chaining of visual evidence. To ensure quality, a reference answer is retained only when independent VLMs agree on it, and region-ablation tests discard questions whose answer survives the removal of selected regions. We then train base VLMs on the resulting data with RLVR, obtaining Zooming without Zooming v2 (ZwZ2). Although the synthesized data are not tailored to any downstream benchmark, ZwZ2 improves fine-grained and spatial perception, with further gains on embodied spatial reasoning, multimodal long-context understanding, multimodal agent tasks, and general visual reasoning. These results establish EvidenceConnect as an effective framework for supervising evidence connection and suggest that strengthening this shared capability leads to more generalizable multimodal perception.
• Abstract（参考訳）: マルチモーダル知覚は、マルチモーダルインテリジェンスの基礎を形成する。 特に、空間知覚とマルチモーダル・ロングコンテキスト理解は、具体的AIとマルチモーダルエージェントを支える2つの重要なタスクである。 しかし、これらのタスクをターゲットとした高品質なトレーニングデータを合成することは困難かつコストがかかる。 私たちの重要な洞察は、これらのタスクは、関係する視覚的事実を特定し、それらを正しい実体に結び付け、それらの関係を回復し、それらを答えとして構成する、接続するエビデンスという、基本的な能力を共有していることです。 重要なことは、これらのタスク自体よりも、この能力のためにターゲットとなるトレーニングデータを合成するのがずっと簡単である。 この能力を強化するために,単一の画像内の関連領域のズームされたビューを使用して,比較,集約,連鎖を必要とする質問を生成する,実装が容易なデータ合成フレームワークであるEvidenceConnectを提案する。 品質を確保するために、独立したVLMがそれに同意した場合にのみ参照応答が保持され、リージョンアブレーションテストは、選択された領域の削除を生き残る質問を破棄する。 次に、RLVRで得られたデータに基づいてベースVLMをトレーニングし、Zooming v2(ZwZ2)を使わずにZoomingを得る。 合成データはダウンストリームベンチマークに適合しないが、ZwZ2は細粒度と空間的知覚を改善し、具体的空間推論、マルチモーダル長文理解、マルチモーダルエージェントタスク、一般的な視覚推論にさらなる進歩をもたらす。 これらの結果はエビデンスConnectをエビデンス接続を監視するための効果的なフレームワークとして確立し、この共有能力の強化がより一般化可能なマルチモーダル知覚をもたらすことを示唆している。

関連論文リスト

• Signal or Noise? Modality Contribution and Cooperation in Multimodal GraphRAG [1.8242874713398711]
  マルチモーダル知識グラフ(KG)は、テキスト、フィギュア、テーブル、その他のモダリティからの情報を統一された構造化表現に統合する。 推論時により多くのモダリティから証拠を取得することで、下流のパフォーマンスが向上すると一般的に仮定される。 マルチモーダルグラフRAGパイプラインにおいて,モダリティを考慮した検索が下流の推論に与える影響について検討した。
  論文  参考訳（メタデータ） (2026-09-28T14:44:24Z)
• More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
  遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。 我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。 提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
  論文  参考訳（メタデータ） (2026-07-17T13:25:44Z)
• Tracking and Segmenting Anything in Any Modality [75.32774085793498]
  そこで我々はSATAという汎用的なトラッキング・セグメンテーション・フレームワークを提案し、このフレームワークは任意のモダリティ入力でトラッキング・セグメンテーション・サブタスクの広帯域を統一する。 SATAは18の挑戦的なトラッキングとセグメンテーションベンチマークで優れたパフォーマンスを示し、より一般化可能なビデオ理解のための新しい視点を提供する。
  論文  参考訳（メタデータ） (2025-11-22T09:09:22Z)
• Long Grounded Thoughts: Distilling Compositional Visual Reasoning Chains at Scale [70.23466957404891]
  多様なスキルと複雑さのレベルにまたがる新しい推論データ生成フレームワークを,100万以上の高品質な合成視覚中心の質問で紹介する。 データ上のQwen2.5-VL-7Bの微調整は、すべての評価されたビジョン中心のベンチマークにおいて、すべてのオープンデータベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-11-07T20:50:54Z)
• Omni Survey for Multimodality Analysis in Visual Object Tracking [34.25429207685124]
  本稿では,Multi-Modal Visual Object Tracking (MMVOT) の最も重要な課題について検討する。 MMVOTは、データ収集、モダリティアライメントとアノテーション、モデル設計、評価の4つの重要な側面において、シングルモーダルトラッキングとは異なる。
  論文  参考訳（メタデータ） (2025-08-18T15:18:59Z)
• RoRA-VLM: Robust Retrieval-Augmented Vision Language Models [41.09545760534495]
  RORA-VLMは、視覚言語モデルに特化して設計された、新規で堅牢な検索拡張フレームワークである。 提案手法の有効性とロバスト性を,広く採用されている3つのベンチマークデータセット上で検証する。
  論文  参考訳（メタデータ） (2024-10-11T14:51:00Z)
• Factorized Contrastive Learning: Going Beyond Multi-view Redundancy [116.25342513407173]
  本稿では,マルチビュー冗長性を超えた新しいマルチモーダル表現学習法であるFacterCLを提案する。 大規模な実世界のデータセットでは、FacterCLは共有情報とユニークな情報の両方をキャプチャし、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-06-08T15:17:04Z)
• MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
  視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。 視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。 我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
  論文  参考訳（メタデータ） (2022-01-25T22:30:54Z)

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。