画像圧縮はロボットの操作をどう変えるか――再撮影まで追うEmbodiedComp
- EmbodiedCompは、圧縮画像に基づく動作と再撮影を繰り返し、画像圧縮が物体操作に与える影響を測る。
- 著者らは2,000件の操作軌跡で3種のVLAを適応させ、100の試験場面で10種の圧縮方式を評価した。
- 指標は成功率と反復回数。著者らは約0.04 bppから操作成績が急落すると報告する。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
水中音の離れた特徴と近い特徴を結び、船種を分類するUATR-GTransformer
- 水中音をメルスペクトログラムに変え、Transformerとグラフ処理を順に使って船種を予測する。
- 著者らはShipsEarとDeepShipで評価したが、確認できた本文の範囲には評価指標やスコアを示す結果表がない。
- 現場で試すには船種ラベル付きの水中音を用意し、収録時期や場所を分けて誤判定を調べる必要がある。
画像・動画の位置と時点に沿って生成を導くMetaCanvas
- MetaCanvasは、画像の位置や動画の時点に対応するキャンバストークンを生成途中の表現へ加える。
- 著者らのImgEdit評価では、FLUX.1-Kontext-DevのOverallが3.52から3.86になった。
- 一部の指標は低下しており、実務では指示への一致と変更不要な領域の保持を別々に測る必要がある。
手持ち動画から動く場面を再構成：深度・物体マスク・追跡点を改善
- 単眼の手持ちRGB動画から動く三次元場面を作るため、物体マスク、深度、画面上の点の軌跡を改善する。
- 細い部分に追跡点を追加し、仮想視点の深度と運動の節点を制約して再構成する。
- 著者らのiPhone DyCheckのRGB条件では、mPSNRが本手法17.63、MoSca17.24。DAVISは正解形状がなく定性比較である。
人物を画像から識別する能力を選んで弱める、視覚知識蒸留による画像対話AIの調整
- 視覚エンコーダーとプロジェクターを調整し、対象人物を画像から識別する能力を弱めつつ、文章の知識を保つことを狙う。
- 対象外の画像では、更新前モデルの中間視覚表現を保持のための学習信号に使う。
- MLLMU-Benchの忘却対象への画像付き質問の正答率は、LLaVAで本手法29.8％、MMUnlearnerで31.2％だった。
本人の終末期医療の希望をAIはどう代弁できるか：ACPAgentの参加型調査
- ACPAgentは、本人の価値観と仮想場面での回答を次の指示文に反映し、心肺蘇生について提案と理由を示す試作システムである。
- 著者らは15人が参加した4回のワークショップで、本人の選択とAIの提案が86.7％一致したと報告した。
- 参加者が考えたAIの役割は判断支援、希望の代弁、代理判断に分かれた。著者らは期待の調整と運用時の監督を今後の課題に挙げる。
推論モデルを段階的に学習するMotifの手順と、データ選別の効果
- 12.7Bパラメータの推論モデルを、検証済みデータによる段階的SFTと、難度を選別したRLFTで学習する手順を示す。
- 著者らが示すLiveCodeBench v5のPass@1は、Baselineが51.78、seed-oss-36b由来の合成データを加えた構成が63.69、gpt-oss-120b由来が33.92だった。
- RLFTでは直前のモデルによる5回の回答で課題を選別し、数学・コード・指示追従を混ぜて学習する。
単眼画像の遮蔽を補い、物体の形と配置を別々に推定するSceneMaker
- SceneMakerは単眼画像から遮蔽された物体像を補い、3D形状の生成と場面内での姿勢推定を別々に行う。
- 著者らは補完用に1万組の画像データ、姿勢推定用に20万件の合成場面を構築した。
- MIDIのテスト場面1,000件では、著者らの報告するCD-SがSceneMakerで0.051、MIDIで0.080だった。
画像からノイズへの変換を学び、別のモデルで画像を生成するBiFlow
- BiFlowは画像からノイズへのモデルを先に学習し、生成には独立した逆方向モデルを使う。
- ImageNetの表１の条件では、中間状態の対応付けは厳密な逆計算より低いFIDを記録した。
- 著者は最終結果としてFID 2.39と最大２桁の生成高速化を報告するが、対象を変えた場合は別途検証が必要である。
参照画像ごとに登場時間を指定する動画生成手法AlcheMinT
- 参照画像ごとに出現区間を指定し、複数の被写体が登場する動画を生成する手法。
- S2VTimeの参照２枚条件では、著者らの表でt-IOU 0.413、t-L2 0.291と比較対象中で最良だった。
- 同条件の参照画像との一致度CLIPrefは0.775で、比較対象３手法を下回った。
水中ロボットの障害物回避を学習：BlueROV2でPPOとDWAを比較
- 目標との位置関係、仮想占有格子、区域境界までの距離を観測し、PPOが7種類の旋回から行動を選ぶ。
- 静止障害物10個を両方式で同じ位置に配置したシミュレーション100試行で、到達率はPPOが55％、DWAが8％、衝突率は17％と76％だった。
- 実機検証への言及はあるが、確認できた本文の範囲では試行数や定量結果は不明で、実センサーによる障害物認識も今後の課題とされる。
少数の測定点から音場を制御するNeural PSZ――配置と仮想音源を変える検証
- 明るいゾーンの目標音場から、スピーカー列のプリフィルタを生成する。
- 規則的に間引いた複数の測定点配置と仮想音源の変更を、一度の学習で扱う設計を検証した。
- 報告値は模擬した室内での結果であり、実室や不規則な点配置への適用には検証が要る。