日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

効率化arXiv:2511.14751

Co-Me: 視覚幾何Transformerのための信頼度誘導トークン統合

Co-Me: Confidence-Guided Token Merging for Visual Geometric Transformers

シェア:XThreadsFacebookLINEはてブBluesky

再学習なしで視覚幾何Transformerを高速化するため、軽量な信頼度予測器でトークンを不確実性順に並べ、低信頼トークンを統合する手法を提案。VGGTやPi3で最大21倍超の高速化を実現。

詳しい要約

1. どんなもの?

- 視覚幾何Transformer向けの学習不要の加速機構「Co-Me (Confidence-Guided Token Merging)」 - base modelの再学習・finetuningを行わずに適用可能 - tokenを不確実性でランク付けし、低confidenceのtokenを選択的にmerge - 計算量を削減しつつspatial coverageを維持 - multi-viewおよびstreaming visual geometric transformersに適用可能

2. 先行研究と比べてどこがすごい?

- similarity-basedなmergingやpruningと比較される - confidence signalがtransformerの注視領域を信頼性高く示す点が特徴 - 性能劣化なしに大幅な加速を実現 - 系列長に応じてspeedupがスケール - VGGTで最大21.5x、Pi3で最大20.4xのspeedupを達成

3. 技術・手法の肝は?

- 軽量なconfidence predictorをdistillし、tokenを不確実性でランク付け - 低confidenceのtokenを選択的にmerge - 再学習・finetuning不要でbase modelに適用 - spatial coverageを維持する設計 - 詳細なmerge手順やpredictorの構成は要旨からは不明

4. どうやって有効だと検証した?

- VGGTおよびPi3に適用してspeedupを測定 - VGGTで最大21.5x、Pi3で最大20.4xのspeedupを報告 - 性能劣化なしと主張 - 具体的なデータセット名や評価指標は要旨からは不明

5. 議論はある?

- 性能劣化なしでの加速とreal-time 3D perception/reconstructionへの実用性を主張 - confidence signalの信頼性をsimilarity-based手法との対比で議論 - 限界や失敗ケース、mergeによる情報損失の詳細は要旨からは不明

6. 次に読むべき論文は?

- VGGT - Pi3 - similarity-based token merging/pruningの関連手法(具体名は要旨からは不明) - visual geometric transformers全般の関連研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yutian Chen, Yuheng Qiu, Ruogu Li, Ali Agha, Shayegan Omidshafiei, Jay Patrikar, Sebastian Scherer

分類: cs.CV, cs.RO

原文アブストラクト

We propose Confidence-Guided Token Merging (Co-Me), an acceleration mechanism for visual geometric transformers without retraining or finetuning the base model. Co-Me distilled a light-weight confidence predictor to rank tokens by uncertainty and selectively merge low-confidence ones, effectively reducing computation while maintaining spatial coverage. Compared to similarity-based merging or pruning, the confidence signal in Co-Me reliably indicates regions emphasized by the transformer, enabling substantial acceleration without degrading performance. Co-Me applies seamlessly to various multi-view and streaming visual geometric transformers, achieving speedups that scale with sequence length. When applied to VGGT and Pi3, Co-Me achieves up to 21.5x and 20.4x speedup, making visual geometric transformers practical for real-time 3D perception and reconstruction.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI