何が起きたか
2026年6月2日にarXivに投稿された論文「Dive into the Scene: Breaking the Perceptual Bottleneck in Vision-Language Decision Making via Focus Plan Generation」において、SceneDiverという手法が発表された。この手法は、視覚言語モデル（VLM）と視覚言語行動モデル（VLA）の視覚幻覚を低減することを目的としている。
詳細
SceneDiverは、VLMの長期計画能力を活用し、まずシーングラフを構築して初期理解を確立し、その後、認識・理解・分析の反復サイクルを通じてタスクをより単純なサブ問題に段階的に分解する。また、VLAのための軽量アダプタを設計し、意図的な焦点能力を蒸留する。評価は標準的な具現化AIベンチマークで行われ、VLMとVLAの両方で視覚幻覚を大幅に低減しつつ、高速実行を要するタスクでの計算効率を維持すると報告されている。コードとデータは公開されている。
Key Facts
| SceneDiverは、VLMの長期計画能力を活用し、粗から精への焦点計画生成を行う手法である。 | [1] |
| SceneDiverは、まずシーングラフを構築し、その後、認識・理解・分析の反復サイクルでタスクを分解する。 | [1] |
| VLA向けに軽量アダプタを設計し、意図的な焦点能力を蒸留する。 | [1] |
| 標準的な具現化AIベンチマークで、VLMとVLAの両方で視覚幻覚を大幅に低減し、計算効率を維持するとしている。 | [1] |
| コードとデータはhttps://future-item.github.io/SceneDiverで公開されている。 | [1] |
なぜ重要か
視覚幻覚は、VLM/VLAを実世界のロボットタスクに適用する際の重大な障壁であり、その低減はロボットの信頼性と安全性を向上させる。SceneDiverは、計画能力と反応制御の両方を強化する可能性を示しており、今後の具現化AI研究の方向性に影響を与えるかもしれない。