論文の概要: VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding

• arxiv url: http://arxiv.org/abs/2611.08449v1
• Date: Thu, 05 Nov 2026 18:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.62593
• Title: VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding
• Title（参考訳）: VFlash: Flashプリミティブデコーディングによる高速で正確なビジュアルプランニング
• Abstract要約: VFlashはFlash Primitive Decodingを通じて高速で正確なビジュアルプランニングを行う方法である。 視覚的原始体の既知の構造を利用して、それらの座標を共同で予測する。 VFlashは自動回帰復号化による予測誤差を一貫して減少させる。
• 参考スコア（独自算出の注目度）: 87.77699575914103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Models for physical AI tasks, such as robotics and autonomous driving, need not reason solely in language. They can use visual plans--points, bounding boxes, and trajectories--to represent spatial goals and anticipate motion. However, autoregressive vision-language models generate these plans one coordinate token at a time, making richer predictions increasingly costly. We introduce VFlash, a method for fast, accurate visual planning through Flash Primitive Decoding. VFlash exploits the known structure of visual primitives to predict their coordinates jointly, using a lightweight drafter that generates an entire primitive in one forward pass. The layout adapts to the primitive's type, dimensionality, and length, supporting compact boxes and long, variable-length trajectories. Crucially, spatial accuracy need not require reproducing an autoregressive model's exact token sequence. VFlash therefore trains on annotated primitives and directly accepts structurally valid predictions without target-token agreement. Across the evaluated 2D and 3D robot trajectory tasks, VFlash consistently reduces prediction errors relative to autoregressive decoding. Preliminary single-rollout measurements indicate approximately 25x faster generation for 3D point motion forecasting. A world action model conditioned on VFlash plans achieves 70.2% average success across four MolmoSpaces task suites, compared with 62.6% for the baseline.
• Abstract（参考訳）: ロボット工学や自律運転といった物理的なAIタスクのモデルは、言語のみを推論する必要はない。 視覚的な計画 - ポイント、バウンディングボックス、軌道 -- を使用して、空間的な目標を表現し、動きを予測できる。 しかし、自己回帰的な視覚言語モデルでは、これらの計画が一度に1つの座標トークンを生成するため、よりリッチな予測がますますコストがかかる。 本稿では,Flashプリミティブデコーディングによる高速かつ正確な視覚計画手法であるVFlashを紹介する。 VFlashは、視覚的プリミティブの既知の構造を利用して座標を共同で予測する。 レイアウトはプリミティブのタイプ、寸法、長さに適応し、コンパクトなボックスと長い可変長軌跡をサポートする。 重要なことは、空間精度は自己回帰モデルの正確なトークンシーケンスを再現する必要がない。 したがって、VFlashは注釈付きプリミティブをトレーニングし、ターゲットとトークンの合意なしに構造的に有効な予測を直接受け入れる。 評価された2次元および3次元ロボット軌道タスク全体において、VFlashは自己回帰復号に対する予測誤差を一貫して低減する。 予備的な単ロールアウト測定は、3Dポイントモーション予測の約25倍高速な生成を示す。 VFlash計画に基づく世界アクションモデルは、4つのMolmoSpacesタスクスイートで平均70.2%の成功を達成し、ベースラインは62.6%となった。

関連論文リスト

• DiffWAM: A Fast and Efficient Navigation World Action Model [12.22319339154881]
  DiffWAMは、多レベル予測機能を連続カメラ軌道に変換するナビゲーションワールドアクションモデルである。 Grid-Motionモジュールは空間的時間的動きの関連を保ち、Latnt2Poseはそれらを第1フレームの形状でグラウンドして3Dモーションを復元する。 FastDreamerは、連続UAV実行のためにタイムスタンプ対応のトラジェクトリハンドオフを実行する。
  論文  参考訳（メタデータ） (2026-09-30T13:57:26Z)
• Unified Vision-Centric Pedestrian Crossing Action Prediction via Adaptive Patch Projection and Proactive Spatial Rectification [19.05652011150832]
  ViCrossは視覚中心の歩行者横断行動予測フレームワークである。 ビデオフレームからターゲット中心の推論を維持し、第1フレームのターゲットキュー以上の知覚モジュールを追加しない。 ViCrossは、重要な歩行者の詳細を保存しながら、効率的なトークン割り当てのために、可変解像度マッピングモジュールでこれに取り組む。
  論文  参考訳（メタデータ） (2026-09-07T12:29:04Z)
• GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation [54.671815855499034]
  視覚言語アクション(VLA)ポリシーは、セマンティック先行をアクション生成に転送することで、言語条件のロボット操作を進化させた。 標準的な行動模倣学習は、しばしば明示的な3次元空間情報、密集した幾何学的監督、将来の環境進化の十分なモデリングを欠いている。 フィードフォワード3Dガウス世界モデルプラグインである textbfGaussianDream を提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:51:30Z)
• Pri4R: Learning World Dynamics for Vision-Language-Action Models with Privileged 4D Representation [58.21084913574353]
  我々は,世界力学を暗黙的に理解したVLAモデルを実現するシンプルなアプローチであるPri4Rを紹介する。 Pri4Rは3Dトラックを予測する軽量なポイントトラックヘッドでVLAを強化している。 3Dポイントトラック予測は,アクションワールドダイナミクスを学習するための効果的な監視対象であることを示す。
  論文  参考訳（メタデータ） (2026-03-02T07:23:53Z)
• FlashMesh: Faster and Better Autoregressive Mesh Synthesis via Structured Speculation [65.3277633028397]
  FlashMeshは高速かつ高忠実なメッシュ生成フレームワークである。 我々は、FlashMeshが標準の自己回帰モデルよりも最大2倍のスピードアップを達成することを示す。
  論文  参考訳（メタデータ） (2025-11-19T17:03:49Z)
• Light Future: Multimodal Action Frame Prediction via InstructPix2Pix [0.764671395172401]
  本稿では,ロボット行動予測の新しい,効率的かつ軽量なアプローチを提案する。 従来のビデオ予測モデルに比べて計算コストと推論遅延が大幅に削減されている。 ロボットタスクの将来の視覚的フレームを予測するために、InstructPix2Pixモデルの適応を開拓した。
  論文  参考訳（メタデータ） (2025-07-20T03:57:18Z)
• FutureSightDrive: Thinking Visually with Spatio-Temporal CoT for Autonomous Driving [19.81442567260658]
  本稿では,VLAを画像で考えることのできる視覚的テンポラルTフレームワークを提案する。 nuScenes と NAVSIM では、FSDrive は精度を改善し、衝突を減らす。
  論文  参考訳（メタデータ） (2025-05-23T09:55:32Z)
• AID: Adapting Image2Video Diffusion Models for Instruction-guided Video Prediction [88.70116693750452]
  テキスト誘導ビデオ予測(TVP)は、命令に従って、初期フレームから将来のフレームの動きを予測する。 従来のTVP方式では, 安定拡散法を応用して大きなブレークスルーを達成している。 我々は、初期フレームとテキスト命令に基づいて、将来のビデオ状態を予測するためのMLLM(Multi-Modal Large Language Model)を導入する。
  論文  参考訳（メタデータ） (2024-06-10T17:02:08Z)
• Pedestrian 3D Bounding Box Prediction [83.7135926821794]
  我々は、自動運転車の複雑な動きの詳細をモデル化せずに、人間の合理的な推定値である3Dバウンディングボックスに焦点を当てる。 本稿では, 歩行者の3次元境界ボックス予測のための, 単純かつ効果的なモデルを提案する。 この方法は、繰り返しニューラルネットワークに基づくエンコーダ・デコーダアーキテクチャに従う。
  論文  参考訳（メタデータ） (2022-06-28T17:59:45Z)

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。