論文の概要: Zhengrong-Spatial-Aware 1.0: Advancing 3D Multimodal Intelligence

• arxiv url: http://arxiv.org/abs/2610.37216v1
• Date: Tue, 27 Oct 2026 13:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.638793
• Title: Zhengrong-Spatial-Aware 1.0: Advancing 3D Multimodal Intelligence
• Title（参考訳）: Zhengrong-Spatial-Aware 1.0: 3Dマルチモーダルインテリジェンスの向上
• Abstract要約: 最初のパイプラインファインチューンHiSpatial-3Bは、計量スケールの3DポイントマップでRGB観測を強化する。 2つ目は、Qwen3-VLをメモリ効率のよいQLoRAベースの微調整により適応させる。
• 参考スコア（独自算出の注目度）: 9.744286407704905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This report presents the implementation and validation of two end-to-end multimodal adaptation pipelines for 3D-aware visual question answering on a custom spatial dataset. The first pipeline fine-tunes HiSpatial-3B, which augments RGB observations with metric-scale 3D point maps; the second adapts Qwen3-VL through memory-efficient QLoRA-based supervised fine-tuning. The completed engineering stack covers dataset conversion, image-annotation alignment, monocular geometry preprocessing, instruction construction, mixed-domain training, checkpoint management, batch inference, and automated evaluation. On the target spatial benchmark, HiSpatial adaptation increases overall accuracy from 1.73% before fine-tuning to 79.89% at 3,600 steps. On a separately collected styled split, accuracy improves from 14.9% to 55.1%, indicating transfer beyond the original training set. The Qwen3-VL pipeline is likewise implemented end-to-end for both 8B- and 32B-scale models using mixed-domain QLoRA adaptation. The resulting accuracy improves from 20.74% to 45.27% for Qwen3-VL-8B and from 30.79% to 47.60% for Qwen3-VL-32B. Together, these results establish two complementary and reproducible adaptation pipelines for geometry-aware and general-purpose multimodal spatial reasoning. These results establish a reproducible engineering foundation for subsequent work on metric 3D reasoning, spatial grounding, and domain-adapted multimodal systems, while also identifying training-data composition as a central factor in preserving general multimodal capability during specialization.
• Abstract（参考訳）: 本稿では,2つのエンドツーエンドのマルチモーダル適応パイプラインの実装と,カスタム空間データセット上での視覚的質問応答の検証を行う。 第1のパイプラインファインチューンHiSpatial-3Bは、計量スケールの3DポイントマップでRGB観測を増強し、第2のパイプラインは、メモリ効率のよいQLoRAベースの微調整によりQwen3-VLを適応させる。 完成したエンジニアリングスタックは、データセット変換、イメージアノテーションアライメント、モノクラー幾何学前処理、命令構成、混合ドメイントレーニング、チェックポイント管理、バッチ推論、自動評価をカバーしている。 ターゲットの空間ベンチマークでは、HiSpatial適応は微調整前の1.73%から3600ステップで79.89%へと全体的な精度を高めている。 別々に収集されたスタイル分割では、精度が14.9%から55.1%に向上し、元のトレーニングセットを超えて転送されることを示す。 Qwen3-VLパイプラインも同様に、8Bスケールと32Bスケールの両方のモデルに対して、混合ドメインQLoRA適応を使用してエンドツーエンドに実装されている。 その結果、Qwen3-VL-8Bは20.74%から45.27%、Qwen3-VL-32Bは30.79%から47.60%に改善された。 これらの結果は、幾何認識と汎用多目的空間推論のための相補的で再現可能な2つの適応パイプラインを構築した。 これらの結果は、計量3次元推論、空間接地、ドメイン適応型マルチモーダルシステムに関するその後の研究のための再現可能な技術基盤を確立し、同時に、トレーニングデータ構成を、専門化中の一般的なマルチモーダル能力を維持するための中心的な要素として特定する。

関連論文リスト

• Controllable Road Marking Generation [7.470200366429271]
  我々は、乾燥可能なエリアマスクから欠落した中心領域マーキングレイアウトを合成する、制御可能な道路マーキング生成を導入する。 我々のベンチマークでは、決定論的、メタデータ由来のプロンプトと、車線分割、道路分割、歩行者横断という3つの出力チャネルを使用します。 我々は, (i) トポロジを意識した補助的損失を訓練したテキスト条件付き遅延整流 DiT を組み合わせた条件付き鳥眼ビュー (BEV) パイプラインを開発した。 このフレームワークは、シミュレーション可能な道路標識のバリエーション、自動マップ補完、早期のインフラ設計探索へのステップであると考えています。
  論文  参考訳（メタデータ） (2026-10-05T04:15:43Z)
• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Unsupervised Detection of Entry and Exit Regions from Vehicle Trajectories for Camera-Agnostic Turning Movement Counts [2.0689823177950397]
  教師なしパイプラインは 原車軌道から直接 進入領域と出口領域を識別する パイプラインクラスター 初期および終点位置 永続的な空間領域を生成する パイプラインは、高い中央値エラーを犠牲にして、カメラビュー全体の安定性と計算コストの低下を示す。
  論文  参考訳（メタデータ） (2026-07-12T22:38:57Z)
• Beyond Activation Alignment:The Alignment-Diversity Tradeoff in Task-Aware LLM Quantization [36.286359836094086]
  キャリブレーションデータ合成と混合精度ビット割り当てを協調的に最適化するためのTAS(Task-Aware Sensitivity Analysis)を提案する。 LLaMA-3-8B と Qwen2.5-7B の実験では精度の反転が明らかにされている。
  論文  参考訳（メタデータ） (2026-07-01T13:12:21Z)
• Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
  畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。 我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。 NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
  論文  参考訳（メタデータ） (2026-05-11T09:21:04Z)
• RegFormer++: An Efficient Large-Scale 3D LiDAR Point Registration Network with Projection-Aware 2D Transformer [71.59462491691819]
  本稿では,大規模クラウドアライメントを実現するために,RegFormer++と呼ばれる新しいエンド・ツー・エンド差動トランスフォーマネットワークを提案する。 元の3D座標を2次元投影位置に充填するため、設計したトランスフォーマーは2次元処理における高効率と3次元幾何情報からの精度の両面から恩恵を受けることができる。 KITTI、NuScenes、Argoverseのデータセットを用いた実験により、我々のモデルは精度と効率の両面で最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-03-15T09:03:10Z)
• Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence [78.1406635199656]
  Holi-Spatialは、人間の介入なしに生のビデオ入力から構築された、初めて完全に自動化され、大規模で、空間対応のマルチモーダルデータセットである。 Holi-Spatial-4Mは、12K最適化された3DGSシーン、1.3Mの2Dマスク、320Kの3Dバウンディングボックス、320Kのインスタンスキャプション、1.2Mの3Dグラウンドインスタンス、1.2Mの空間QAペアを含む、最初の大規模で高品質な3Dセマンティックデータセットである。
  論文  参考訳（メタデータ） (2026-03-08T14:49:20Z)

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。