論文の概要: Representing the Unseen: Rethinking Visual Imagination for Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2610.37437v1
• Date: Tue, 27 Oct 2026 15:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.679914
• Title: Representing the Unseen: Rethinking Visual Imagination for Spatial Reasoning
• Title（参考訳）: 見えないものを表現する:空間的推論のための視覚的イマジネーションの再考
• Abstract要約: 精度の高いRGBでも正確な空間推論が保証されないことを示す。 同様の傾向は、世界モデル推定状態に由来する表現を保っている。 本稿では適応表現選択のための軽量なテストタイム戦略であるGEARSを紹介する。
• 参考スコア（独自算出の注目度）: 57.20412361818304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual world models increasingly support spatial reasoning by generating RGB views of unobserved states. However, RGB has become the default interface largely because it is well suited for visual generation, rather than necessarily being the most effective representation for downstream reasoning. Different spatial questions may benefit from different representations of the same imagined state: top-down geometry can facilitate global distance comparisons, while panoramic views provide broader context for reasoning about open space. To isolate the role of representation in spatial imagination, we introduce ImagiRep, a simulator-grounded benchmark of 922 questions spanning seven question types across two settings, Viewpoint Imagination and Cross-view Integration, providing oracle RGB and six alternative representations (e.g., depth, panoramic views, and top-down geometry) of the same unobserved state. This controlled comparison reveals that even accurate imagined RGB does not guarantee accurate spatial reasoning, and different questions benefit from different representations. Similar trends hold for representations derived from world-model-estimated states. Notably, estimated RGB alone can mislead spatial reasoning, while alternative representations retain complementary benefits. Building on these findings, we introduce GEARS, a lightweight test-time strategy for adaptive representation selection, outperforming existing spatial imagination methods and showing that reasoning about unseen states requires more than generating RGB views.
• Abstract（参考訳）: ビジュアルワールドモデルは、観測されていない状態のRGBビューを生成することによって、空間的推論をサポートする。 しかし、RGBがデフォルトインターフェースになったのは、必ずしも下流の推論において最も効果的な表現ではなく、視覚生成に適しているためである。 トップダウン幾何学は、大域的な距離比較を促進するが、パノラマビューは、オープンスペースについての推論のためのより広い文脈を提供する。 空間的想像力における表現の役割を分離するために,ビューポイント・イマジネーションとクロスビュー・インテグレーションという,2つの設定にまたがる7つの質問タイプにまたがる922質問のシミュレータを用いたベンチマークであるImagiRepを紹介し,同じ観測状態のオラクルRGBと6つの代替表現(例えば,深さ,パノラマビュー,トップダウンジオメトリ)を提供する。 この制御された比較は、正確なRGBでさえ正確な空間的推論を保証せず、異なる質問が異なる表現から恩恵を受けることを示している。 同様の傾向は、世界モデル推定状態に由来する表現を保っている。 特に、推定されたRGBだけでは空間的推論を誤解させることがあるが、代替表現は相補的な利点を保っている。 これらの結果に基づいて,適応表現選択のための軽量なテストタイム戦略であるGEARSを導入し,既存の空間的想像法よりも優れており,未知の状態の推論にはRGBビューの生成以上のものが必要であることを示す。

関連論文リスト

• Let RGB Be the Language of Vision [62.25975815664782]
  この研究は視覚モデルに統一的な定式化を導入し、自然画像以外の様々な視覚情報をRGB画像として表現する。 一般的な視覚タスクは、一般的なRGBからRGBまでの画像編集問題に変換できる。 RINOは、タスク固有の微調整なしで、一般的な画像編集バックボーンに基づいており、堅牢で競争力のあるゼロショットパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-07-14T07:25:58Z)
• RGB-only Active 3D Scene Graph Generation for Indoor Mobile Robots [11.977612002830725]
  3Dシーングラフ生成への現在のアプローチは、メトリック3D再構成のためにLiDARやRGB-Dカメラのような専用深度センサーに依存している。 本稿では,RGB入力のみからの3次元シーングラフの能動的・漸進的な構築のための,完全な視覚的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-18T10:37:39Z)
• RGBT-Ground Benchmark: Visual Grounding Beyond RGB in Complex Real-World Scenarios [37.32297511767527]
  RGBT-Groundは、複雑な実世界のシナリオ向けに構築された最初の大規模ビジュアルグラウンドベンチマークである。 空間的に整列したRGBと熱赤外(TIR)画像対と、高品質な参照表現、対応するオブジェクト境界ボックス、シーン、環境、オブジェクトレベルの細かいアノテーションから構成される。 このベンチマークは、総合的な評価を可能にし、多様で挑戦的な条件下での堅牢な接地の研究を容易にする。
  論文  参考訳（メタデータ） (2025-12-31T02:01:02Z)
• Leveraging Color Channel Independence for Improved Unsupervised Object Detection [7.030688465389997]
  コンピュータビジョンにおける教師なし学習において,RGB画像が最適な色空間であるという一般的な仮定に挑戦する。 新たなカラーチャネルの予測を行う場合には,モデルの改善が期待できる。 合成色空間の使用は、基本的に計算オーバーヘッドを伴わずに実装することができる。
  論文  参考訳（メタデータ） (2024-12-19T18:28:37Z)
• Diffusion-based RGB-D Semantic Segmentation with Deformable Attention Transformer [11.648973329789973]
  本稿では,RGB-Dセマンティックセグメンテーション問題に対処する拡散型フレームワークを提案する。 本研究では,デフォルマブルアテンション変換器をエンコーダとして利用し,奥行き画像から特徴を抽出することにより,デフォルマブルアテンション変換器の特性を効果的に把握できることを実証する。
  論文  参考訳（メタデータ） (2024-09-23T15:23:01Z)
• RaSim: A Range-aware High-fidelity RGB-D Data Simulation Pipeline for Real-world Applications [55.24463002889]
  我々は深度データ合成に焦点をあて、レンジ対応RGB-Dデータシミュレーションパイプライン(RaSim)を開発した。 特に、実世界のセンサーの撮像原理を模倣して高忠実度深度データを生成する。 RaSimは、下流のRGB-D知覚タスクで微調整をすることなく、現実世界のシナリオに直接適用することができる。
  論文  参考訳（メタデータ） (2024-04-05T08:52:32Z)
• Rethinking RGB Color Representation for Image Restoration Models [55.81013540537963]
  各画素に局所的な近傍構造情報を保持するために表現を拡大する。 画素あたりの損失に対する表現空間の置換は、画像復元モデルのトレーニングを容易にする。 私たちの空間は、色と局所構造の両方を再構築することで、全体的なメトリクスを一貫して改善します。
  論文  参考訳（メタデータ） (2024-02-05T06:38:39Z)
• Decoupled Spatial Temporal Graphs for Generic Visual Grounding [120.66884671951237]
  この研究は、与えられた表現を満たすすべてのオブジェクトをマイニングすることを目的とした、より一般的な設定、一般的な視覚接地を調査します。 我々は,(1)空間表現と時間表現を分解し,すべての側面の手がかりを収集し,正確な接地を行う,単純かつ効果的なアプローチであるdstgを提案する。 さらに、遠距離ビデオによる参照ケースに挑戦する、新しいビデオデータセットであるGVGについて詳しく述べる。
  論文  参考訳（メタデータ） (2021-03-18T11:56:29Z)
• Synergistic saliency and depth prediction for RGB-D saliency detection [76.27406945671379]
  既存のRGB-Dサリエンシデータセットは小さく、多様なシナリオに対して過度に適合し、限定的な一般化につながる可能性がある。 そこで本研究では,RGB-Dサリエンシ検出のための半教師付きシステムを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:24:41Z)

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。