候補領域の確認によるアフォーダンス接地

- 本論文は **AffordJEV** を提案する。 - 物体のどの可視部分が要求された操作を担うかを問う **affordance grounding** の手法。 - **System One** 型モデルを affordance grounding に初めて導入したと主張。 - 既存の **System Two** 型（MLLM が chain of thought を書いてから box/points を生成し segmenter に渡す）とは対照的に、テキスト生成なしで判断する枠組み。 - 凍結した segmenter が候補領域を提案し、System One モデルが各候補を直接判定する。 - embodied manipulation や human--robot interaction の基礎能力として位置づけられている。

- 既存の **System Two** 型（MLLM が chain of thought を生成し、その結論を box/points に変換して segmenter に渡す）と比較。 - 推論コストが大きい、意味的判断が最終領域の広がりを直接制御しにくい、誤りの修正が難しいという問題を指摘。 - 既存の **System One** モデルは汎用判断向けで、1リクエストにつき1候補しか判定せず、本フレームワークの領域質問に不向きと述べる。 - 提案モデルはフレームワーク自身が生成するリクエストから直接学習し、1レベル内の全候補を一度に判定する点が異なる。 - chain-of-thought 手法を in-domain および zero-shot transfer（UMD, IIT-AFF）で上回り、同一フレームワーク上の既存 System One モデルより総合的に良く、judge リクエスト数も少ないと主張。

- 推論フレームワーク：候補領域を **object → part → sub-part** とレベルごとに確認する。 - レベル間で evidence を双方向に受け渡し、各レベルが互いを補正する仕組み。 - 凍結した segmenter が候補領域を提案し、System One モデルがテキスト生成なしで各候補の可否を単一 forward pass から読み取る。 - 専用 System One モデル：既存 System One モデルは汎用判断向けで1候補ずつ判定するため不適。 - フレームワークが生成するリクエストから直接学習。 - 1レベル内の全候補を同時に判定するよう訓練。

- **InstructPart** のみで訓練し、定義に整合した operation words で評価。 - in-domain で chain-of-thought 手法を上回ったと報告。 - **UMD** および **IIT-AFF** への zero-shot transfer でも chain-of-thought 手法を上回ると報告。 - 同一フレームワーク上で既存 System One モデルを実行した場合より総合的に優れ、必要な judge リクエスト数も少ないと報告。 - 具体的な評価指標・数値は要旨からは不明。

- 要旨からは不明。 - 著者は affordance の位置特定は本質的に知覚的判断であり、言葉で論証する必要はないという立場を述べている。 - System Two 型の推論コスト・領域制御・誤り修正の難しさを問題として挙げている。 - 限界や失敗事例、計算コストの詳細な議論は要旨からは不明。

- 要旨で比較対象として挙げられている **chain-of-thought** ベースの affordance grounding 手法（System Two 型）。 - 同一フレームワーク上で比較された既存の **System One** モデル。 - データセット関連：**InstructPart**、**UMD**、**IIT-AFF**。 - 構成要素として **segmenter**（凍結）および **MLLM** を用いる関連研究。 - 個別の論文名は要旨からは不明。