論文の概要: USI-Brain: Enhancing Underwater Spatial Intelligence via Spatial Data-Driven Vision-Language Modeling
- arxiv url: http://arxiv.org/abs/2611.06040v1
- Date: Wed, 04 Nov 2026 06:44:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.00163
- Title: USI-Brain: Enhancing Underwater Spatial Intelligence via Spatial Data-Driven Vision-Language Modeling
- Title（参考訳）: USI-Brain:空間データ駆動ビジョンランゲージモデリングによる水中空間インテリジェンス向上
- Abstract要約: 視覚的外観とオブジェクトレベルの幾何学を結びつける空間データエンジンを提案する。
我々はこのコーパスを用いてUSI-Brainを訓練し、視覚的特徴にゲート補正を適用するUPR(Underwater Prior-Guided Rectifier)を導入する。
USI-Brain と USI-Brain + UPR は Qwen3-VL-8B-Instruct を平均5.76点と7.63点に改善し、100点のスケールで符号付き差を用いた。
- 参考スコア（独自算出の注目度）: 6.704389419377766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater spatial reasoning depends on object boundaries and geometric cues that are obscured by scattering, color distortion, and low visibility. Existing underwater resources capture these cues through images, annotations, and depth maps, but provide fragmented supervision for vision-language models. We present a spatial data engine that connects visual appearance with object-level geometry through enhancement, 2D and geometry-assisted question generation, and expert filtering. It produces 4.27M QA pairs across five capability groups. We use this corpus to train USI-Brain and introduce an Underwater Prior-guided Rectifier (UPR) that applies gated corrections to visual features. USI-Bench evaluates the resulting capabilities with 6,525 held-out QA pairs. On its 15 task metrics, USI-Brain and USI-Brain + UPR improve over Qwen3-VL-8B-Instruct by 5.76 and 7.63 points on average, respectively, using signed differences on 100-point scales. Ablations show that geometry-assisted supervision improves depth and ordering by 4.8 and 6.1 points with UPR disabled, while UPR adds 18.0 points in scene description under matched training data. Both variants use raw images at evaluation. Across NautData, UWBench, and MarineEval, USI-Brain achieves the best or joint-best score on 28 of 32 metrics. Model weights and USI-Bench will be released at https://github.com/SKY-Zhu-91/USI-Brain.
- Abstract（参考訳）: 水中空間の推論は、散乱、色歪み、視界の低さによって隠蔽される物体の境界や幾何学的手がかりに依存する。
既存の水中資源は、画像、アノテーション、深度マップを通じてこれらの手がかりを捉えるが、視覚言語モデルのための断片化された監視を提供する。
本稿では,視覚的外観とオブジェクトレベルの幾何を接続する空間データエンジンを提案する。
5つの能力グループにまたがる4.27MのQAペアを生産する。
我々はこのコーパスを用いてUSI-Brainを訓練し、視覚的特徴にゲート補正を適用するUPR(Underwater Prior-Guided Rectifier)を導入する。
USI-Benchは、6,525組のQAペアで結果の能力を評価する。
USI-BrainとUSI-Brain + UPRは、平均でQwen3-VL-8B-インストラクションを5.76ポイント、平均で7.63ポイント改善する。
アブレーションは、幾何支援による監督は、UPRを無効にした4.8点と6.1点の深さと順序を改善し、UPRは一致したトレーニングデータの下でシーン記述に18.0点を追加することを示している。
どちらの変種も評価に生画像を使用する。
NautData、UWBench、MarineEvalでは、USI-Brainが32のメトリクスのうち28のベストスコアまたはジョイントベストスコアを達成している。
Model weightsとUSI-Benchはhttps://github.com/SKY-Zhu-91/USI-Brain.comでリリースされる。
関連論文リスト
- Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles [50.869471010323956]
Foundation4Dは、幾何学的推定3次元検出、意味的占有、ビデオからのガウス的再構成のための統合フィードフォワードモデルである。
幾何学的占有を伴うコトレーニング検出は、検出のみのトレーニングよりも、トップクラスのmAPを1.2ポイント改善する。
我々はさらに、予測幾何と軌跡をライダーレスNuRecの前駆体として利用し、シミュレーションのための走行シーンの再構築を支援する。
論文 参考訳（メタデータ） (2026-10-21T19:00:46Z) - ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models [100.81072318355969]
GPT-6 Astra や Claude Opus 5.5 などの汎用マルチモーダルモデルは、インボディード操作の幅広い能力を実証している。
全身手術の知覚基盤を強化するために,視覚的グラウンドのスケーリングについて検討した。
約150万サンプルのQwen3.5-9Bの微調整によりACE-Brain-0.6が得られる。
論文 参考訳（メタデータ） (2026-10-19T17:32:28Z) - Anvil: Scaling Embodied Spatial Intelligence through Knowledge Recirculation [60.72126693176622]
データ生成、トレーニング、ベンチマークのための統一的なフレームワークであるAnvilを紹介します。
Anvil-Genは、フォーム固有の生成、クロスステージ整合性検証、11のグラウンド-リレーション-Actフォームにわたる障害駆動のリコールを組み合わせた異種データフライホイールである。
Anvil-Benは、様々な具体的空間能力の学習と、ステージ能力とエラー伝播を区別するシーン関連アセスメントのためのシーンアライメントを提供する。
Anvil-MOPDは、専門教師の蒸留を通じて異種空間知識を統合する9Bの学生である。
論文 参考訳（メタデータ） (2026-10-15T13:47:08Z) - Spatial Latent Reasoning for Embodied Reference Understanding [29.844367925922658]
幾何学的および視覚的状態の順序づけられた列の周囲の監督を指示する枠組みを提案する。
EgoPoint-Groundでは、mIoUを2.8、17.5、21.1ポイントの微調整で改善している。
YouRefItでは、IoU0.5で77.6%の精度を達成した。
論文 参考訳（メタデータ） (2026-10-07T04:20:55Z) - GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives [90.01527882097555]
共有語彙の量子化座標として点と箱を生成する4B基底基底モデルである GroundingPI を導入する。
トレーニングは、マルチモーダルおよび空間事前訓練、教師付き微調整、強化学習をGRPOと組み合わせる。
下流の視覚バックボーンとして、BoundingPIはロボット操作と自律運転の性能を改善している。
論文 参考訳（メタデータ） (2026-09-30T12:20:54Z) - Uruqi: Learning Spatial Cognition from Visual Experience [24.19092824006856]
我々は、視覚言語モデル(VLM)における空間認識を開発するためのスケーラブルな監視源として、スーパービジョンされた連続的な視覚体験を提供する。
我々は,11,738個のモチーフ駆動カメラ軌跡を広範囲の3Dシーンで合成し,自己動作追跡,永続オブジェクトマッピング,各視覚体験における豊かな空間操作をサポートする。
URUQI$_mathrmSyn$-8Bは、これらの原子質問を推論するモデルをトレーニングすることで、Uruqiベンチマークの精度を15.84%から47.73%に改善します。
論文 参考訳（メタデータ） (2026-09-30T07:47:02Z) - PanoEnv: Exploring 3D Spatial Intelligence in Panoramic Environments with Reinforcement Learning [5.308328605042682]
360パノラマ画像は、バーチャルリアリティー、自律運転、総合的なシーン理解のためのロボティクスでますます利用されている。
現在の視覚言語モデル(VLM)は、幾何学的歪みと限定的な3次元監督のため、等角射影(ERP)画像の空間的推論に苦慮している。
合成3D環境から構築した大規模VQAベンチマークであるPanoEnvを紹介する。
我々の7Bモデルは、新しい最先端性能を実現し、全体的な精度を52.93%(+3.59%)、オープンエンド精度を14.83%に改善し、構造化タスク性能を維持した。
論文 参考訳（メタデータ） (2026-02-25T15:12:17Z) - Stitch and Tell: A Structured Multimodal Data Augmentation Method for Spatial Understanding [23.444127854888578]
既存の視覚言語モデルは、しばしば空間幻覚に悩まされる。
$textStitchとTell$は、構造化された空間的監視をデータに注入する。
SiTeは、空間軸に沿って画像を縫合することで、縫合された画像テキストペアを構成する。
論文 参考訳（メタデータ） (2025-12-07T10:07:59Z) - Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。
TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
論文 参考訳（メタデータ） (2025-07-10T17:59:58Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - UID2021: An Underwater Image Dataset for Evaluation of No-reference
Quality Assessment Metrics [11.570496045891465]
水中画像品質評価(UIQA)は水中の視覚知覚と画像/映像処理において重要である。
この問題に対処するため、非参照UIQAメトリクスを評価するために、UID 2021と呼ばれる大規模な水中画像データセットを構築した。
構築されたデータセットは、様々なソースから収集された60個の多重分解水中画像を含み、6つの一般的な水中シーンをカバーしている。
論文 参考訳（メタデータ） (2022-04-19T11:28:08Z)
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。