PointRL: 検証可能なアノテーション証拠から点レベルの視覚言語グラウンディングを学習する

PointRLは、点座標を介した視覚言語接地（point-level vision-language grounding）を学習するための検証可能な強化学習フレームワークである。既存の異種アノテーション（bounding boxes, masks, instance labels）をポインティング指示に変換し、それらのターゲットサポート、インスタンスメンバーシップ、集合制約を隠れた検証器の証拠として保持する。決定論的チェッカーが予測をスコアリングし、報酬は解析可能性、点の有効性、インスタンスカバレッジ、カーディナリティ整合性、冗長・欠落予測を評価する。

従来のVLM接地は、点座標の監督が非一意である（同一ターゲット領域内で複数の座標が有効）ことや、マルチインスタンス指示におけるターゲットカバレッジ、カウント整合性、重複抑制の必要性に対処できていなかった。PointRLは、アノテーションをプロンプト外の検証証拠として利用し、決定論的チェッカーで報酬を計算することで、これらの課題を明示的に扱う点が新しい。

手法の核は、既存のアノテーション（bounding boxes, masks, instance labels）をポインティング指示に変換し、それらのターゲットサポート、インスタンスメンバーシップ、集合制約を隠れた検証器の証拠として保持することである。報酬は、解析可能性、点の有効性、インスタンスカバレッジ、カーディナリティ整合性、冗長・欠落予測を評価する。これにより、非一意な監督空間を扱い、マルチインスタンス指示の制約を学習する。

PointArenaベンチマークで、Qwen3.5-4Bの全体精度を56.11%から65.58%に改善した。さらに、RoboSpatial、BLINK、Ref-Advの外部ベンチマークで、同じバックボーンに対する利得を評価し、検証可能な点レベルフィードバックがこれらの設定での空間接地に有益であることを示した。

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。また、外部ベンチマークでの利得は限定的である可能性があり、汎用性やスケーラビリティに関する詳細な分析は要旨に含まれていない。

要旨で参照されている関連研究として、PointArena、RoboSpatial、BLINK、Ref-Advが挙げられる。また、VLMの接地に関する一般的な研究（例：Grounding DINO, GLIP）や、強化学習を用いたVLMの調整（例：RLHF）も関連する。