論文の概要: ReVEAL: Eliciting Role-Aware Latent Visual Evidence from MLLMs for Reasoning Video Object Segmentation

• arxiv url: http://arxiv.org/abs/2610.41257v1
• Date: Fri, 30 Oct 2026 05:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.616771
• Title: ReVEAL: Eliciting Role-Aware Latent Visual Evidence from MLLMs for Reasoning Video Object Segmentation
• Title（参考訳）: ReVEAL:ビデオオブジェクトセグメンテーションの推論のためのMLLMからのロールアウェアレイトビジュアルエビデンスの排除
• Abstract要約: ビデオオブジェクトセグメンテーション(ReVOS)は、ビデオ全体を通して暗黙のクエリによって指定されたターゲットをセグメンテーションする必要がある。 ReVEALはReVOSのための切り離された思考とビデオのフレームワークで,MLLM推論から役割認識型視覚的証拠を抽出し,セグメンテーションをガイドする。 5つのベンチマークの実験では、ReVEALはアライメントのないベースラインよりも優れており、アライメントベースの手法と競合する。
• 参考スコア（独自算出の注目度）: 49.136756377720275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning video object segmentation (ReVOS) requires segmenting the target specified by an implicit query throughout a video. Existing MLLM-based methods typically require costly cross-model alignment, tying MLLM training to a downstream segmentation model. We present ReVEAL, a decoupled thinking-with-video framework for ReVOS that elicits role-aware latent visual evidence from MLLM reasoning to directly guide segmentation. ReVEAL introduces Visual Evidence Tokens (VETs) into video reasoning to associate necessary visual regions or entities with target, background, or distractor roles, while a Dynamic Attention Layer Router adaptively aggregates VET-to-video attention across layers into role-specific grounding evidence. We train the MLLM to perform VET-augmented reasoning on our constructed ReVEAL-47K dataset, with a Contrastive Attention Grounding Loss as auxiliary supervision to apply role-specific constraints to VET attention and optimize layer routing for reliable latent grounding. At inference, ReVEAL identifies the target through this thinking-with-video process and fuses the resulting role-specific evidence to guide a frozen SAM2 in predicting target masks. Experiments on five benchmarks show that ReVEAL outperforms alignment-free baselines and remains competitive with alignment-based methods.
• Abstract（参考訳）: ビデオオブジェクトセグメンテーション(ReVOS)は、ビデオ全体を通して暗黙のクエリによって指定されたターゲットをセグメンテーションする必要がある。 既存のMLLMベースの手法は、通常、コストのかかるクロスモデルアライメントを必要とし、下流セグメンテーションモデルにMLLMトレーニングを結びつける。 ReVEALはReVOSのための分離された思考とビデオのフレームワークであり,MLLM推論から役割認識型視覚的証拠を抽出し,セグメンテーションを直接誘導する。 ReVEALでは、ビジュアルエビデンストークン(VET)をビデオ推論に導入して、必要な視覚領域やエンティティをターゲット、バックグラウンド、あるいはイントラクタロールに関連付ける一方で、ダイナミックアテンション・レイヤ・ルータは、レイヤ間のVETからビデオへの注意をロール固有の根拠に適応的に集約する。 MLLMをトレーニングして、構築したReVEAL-47Kデータセット上でVET強化推論を行い、コントラストアテンション・グラウンディング・ロス(Contrastive Attention Grounding Loss)を補助監督し、VETアテンションにロール固有の制約を適用し、信頼できる潜在グラウンドのための層ルーティングを最適化する。 推論において、ReVEALは、この思考とビデオのプロセスを通して標的を特定し、結果として生じる役割特異的な証拠を融合させ、標的マスクの予測において凍ったSAM2を導く。 5つのベンチマークの実験では、ReVEALはアライメントのないベースラインよりも優れており、アライメントベースの手法と競合する。

関連論文リスト

• AgentRVOS: Reasoning over Object Tracks for Zero-Shot Referring Video Object Segmentation [37.67402969516464]
  Video Object(RVOS)は、自然言語クエリが与えられたビデオ全体を通じて対象オブジェクトをセグメントすることを目的としている。 そこで本研究では,SAM3とMLLMの相補的な長所をベースとした,トレーニング不要なエージェントパイプラインであるAgentOSを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:55:17Z)
• Learning Trajectory-Aware Multimodal Large Language Models for Video Reasoning Segmentation [55.743701532984126]
  我々はTrajSegを提案する。TrajSegはマルチモーダル大規模言語モデル上に構築されたシンプルで統一されたフレームワークである。 本研究では,MLLMが接頭辞(テキスト・トゥ・トラジェクティブ)と接頭辞(テキスト・トゥ・テキスト)の指示を受理する双方向テキスト・トラジェクティブアライメントを提案する。 このようにして、MLLMは、ビデオの対応性の向上と、より知覚的なオブジェクトの軌跡の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2026-03-23T02:25:51Z)
• iFinder: Structured Zero-Shot Vision-Based LLM Grounding for Dash-Cam Video Reasoning [51.15353027471834]
  iFinderは、ダッシュカムのビデオを大規模な言語モデルのための階層的で解釈可能なデータ構造に変換するセマンティックグラウンドディングフレームワークである。 iFinderはトレーニング不要のパイプラインとして動作し、トレーニング済みの視覚モデルを使用して重要な手がかりを抽出する。 これは、4つのゼロショット駆動ベンチマークにおいて、エンドツーエンドのV-VLMよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-09-23T20:25:53Z)
• Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
  本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。 提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。 パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-12-18T18:59:51Z)
• RefSAM: Efficiently Adapting Segmenting Anything Model for Referring Video Object Segmentation [53.4319652364256]
  本稿では,ビデオオブジェクトのセグメンテーションを参照するためのSAMの可能性を探るRefSAMモデルを提案する。 提案手法は,Cross-RValModalを用いることで,モダリティ学習を向上させるためにオリジナルのSAMモデルに適応する。 我々は、言語と視覚の特徴を効果的に調整し、融合させるために、パラメータ効率のチューニング戦略を採用している。
  論文  参考訳（メタデータ） (2023-07-03T13:21:58Z)

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。