こんにちは、Diego Revillaです。

家の間取りの一部（互いに重ならない部屋の集合）を観測して全体の間取りを推定する拡散モデルを開発。観測された部屋が50%のとき、間取りの再構成精度89%を達成。

• 屋内の場所認識タスク向けに二重トークンの学習パイプラインを構築し、社内データセットにおいて、AnyLocや凍結したDINOv3などの最新アーキテクチャを Recall@3 で12%上回りました。
• モデルの不確実性を利用して質問内容を選ぶDQNベースの能動的質問ポリシーを学習。貪欲法と比べて精度が3%向上し、質問数は3未満に抑えました。
• 10,000件の住宅間取りを異種グラフとして表現した72 GBのデータセットを構築。部屋単位およびペア単位の接続性の意味情報、分類ラベル、メッシュ、部屋単位のパノラマ・キューブマップを含みます。

視覚言語モデルにおいて、テキストによる思考連鎖（CoT）を使わずに潜在的な再帰的推論を適用し、空間的に構成された VQA タスクを反復的に解く、状態を持つ推論アーキテクチャを設計・実装。

• 条件付きアテンションシフトを導入。推論の各ステップで入力の異なる領域に注目させることで、VSR と GQA-rel で F1 80%（単一パスと比べて+6%）を達成。
• パラメータ数4億のスペシャリストモデルを学習。同じデータセット上で、相対位置・空間タスクにおいて既製の基盤モデル InternVL2-8B および Qwen2.5-VL-7B を上回りました。
• DDPを用いて4基のH100 GPUで VLM の学習を並列化し、学習時間を70%短縮。

帯域幅が限られたクライアント・サーバー環境でのニューラルレンダリングを可能にする、Gaussian Splatting 向けの漸進的ニューラル圧縮コーデックを考案。初回レンダリングを3秒以内に実現。

• 3D空間コンテキストをモデル化し、局所的な幾何と特徴の類似性を活用して不確実性エントロピーを低減。HAC と比べて21%の圧縮率向上を達成し、ファイルサイズを削減。
• BungeeNeRF と MipNeRF 360 のデータセットで、ファイルサイズが小さいにもかかわらず、知覚・構造・品質の各指標（>27dB PSNR、>0.87 SSIM、<0.21 LPIPS）で現行手法と同等の性能を達成。
• ノイズに強いカリキュラム学習戦略を適用し、部分的なシーン再構成の頑健性を向上。カリキュラムなしの学習と比べて +2 dB の PSNR を回復。