概念ゲート型視覚蒸留による視覚言語行動モデルの雑然環境耐性の向上

- Vision-Language-Action (VLA) モデルは zero-shot 汎化に優れるが、 clutter 環境で Precision-Reasoning Gap が生じる。 - 背景由来の高周波セマンティックノイズが幾何学的 grounding を破壊する feature dilution が原因。 - 提案手法 Concept-Gated Visual Distillation (CGVD) は training-free かつ model-agnostic な推論フレームワーク。 - 命令を safe と distractor に分け、二層の target refinement で誤検出を抑制し真の操作対象を特定。 - Fourier-based inpainting でシーンを処理し、セマンティック distractor を抑えつつ空間幾何と visual proprioception を保持。

- 従来の VLA は clutter 環境で性能が崩壊しやすく、背景ノイズに弱い。 - CGVD は training-free でモデル非依存のため、既存 VLA に追加学習なしで適用可能。 - 高密度セマンティック distractor 環境で baseline の 43.0% に対し 77.5% の成功率を達成。 - 推論時の視覚蒸留が clutter 下のロバスト操作に不可欠であることを示した。

- 命令を safe と distractor の集合に解析。 - 二層の target refinement: cross-validation と spatial disambiguation を組み合わせ、false positive を明示的に罰し真の操作対象を分離。 - Fourier-based inpainting でシーンを処理し、セマンティック distractor を能動的に抑制。 - 重要な空間幾何と visual proprioception を保持した clean observation を生成。

- 高 clutter な操作タスクで広範に評価。 - 性能崩壊を防ぎ、高密度セマンティック distractor 環境で SOTA baseline を大幅に上回る。 - 成功率 77.5% 対 baseline 43.0% を達成。 - 厳密な属性遵守を強制することで有効性を確認。

- 要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として Vision-Language-Action (VLA) モデル、RT-1、RT-2、CLIP などが関連。