ARAşTıRMA · GEN AI
arXiv:2607.15278
16 Tem 2026 · v1
Çok Adımlı Görsel Akıl Yürütme için Hiyerarşik Gürültü Giderme
Zezhong Qian, Xiaowei Chi, Chak-Wing Mak, Tianze Zhou, Ruibin Yuan, +7 yazar
YAYIN:16 Tem 2026 ALAN:cs.CL
OKUMA:2 YILDIZ:★ 2.5
Özet
Video modeller vizyon temeli modellerine dönüşüyor, ancak yine de insan benzeri çok adımlı akıl yürütmeden yoksunlar. Akış otoregresif difüzyon modelleri verimli ancak akıl yürütmede sınırlıdır, çift yönlü difüzyon ise yoğun çerçeve düzeyinde gürültü giderme nedeniyle yüksek çıkarım maliyetleri ile küresel revizyon sağlar. Her iki paradigma da karmaşık akıl yürütme görevleri için mantıksal tutarlılık ve düşük gecikmeli akış elde etmek için mücadele eder. Çok adımlı akıl yürütme için hiyerarşik latentleri nedensel video üretimine entegre eden birleşik bir çerçeve olan HDR'yi (Hierarchical Denoising for Visual Reasoning) öneriyoruz. HDR, video latentlerini ağaç şeklinde yapılandırılmış bir hiyerarşi halinde düzenler ve çıktıyı akışlamadan önce kaba - ince akıl yürütmeyi sağlar. Kaba gürültü giderici katmanlar, küresel planlama için belirsiz hipotezleri korurken, daha ince katmanlar bunları aşamalı olarak somut görsel durumlara dönüştürür. Seyrek bir hiyerarşik dikkat örüntüsü (SHAP) zamansal dikkat maliyetlerini daha da azaltır. Labirent navigasyonu, Hanoi Kulesi, tek hatlı çizim, sürgülü bulmaca, Sokoban ve su dökme olmak üzere altı görevi kapsayan, dağıtım dışı durumlarla seviye katmanlı çok adımlı bir video akıl yürütme ölçütü sunuyoruz. Akış otoregresif difüzyon temel çizgileriyle karşılaştırıldığında, HDR başarıyı 34.22 'den 60.29' a (% 76.2 göreceli kazanç) yükseltir ve ortalama ilerlemeyi 76.00 'dan 89.56' ya yükselterek daha tutarlı akıl yürütme yörüngeleri gösterir. HDR, çift yönlü difüzyondan 54,2 kat daha hızlı çıkarım elde ederek, gizil başına 0,70 saniyede düşük gecikmeli akışı sürdürür. Ayrıca, çift yönlü difüzyon için % 52,0 ile karşılaştırıldığında, yalnızca % 2 eğitim verisi ile tam veri performansının % 82,9 'unu korur. Gerçek dünyadaki robot deneyleri, HDR'nin fiziksel etkileşim ve dünya modellemesi potansiyelini daha da göstermektedir. Proje demosu: https://hierarchical-diffusion-reasoning.github.io/.
Giriş
Video modeller vizyon temeli modellerine dönüşüyor, ancak yine de insan benzeri çok adımlı akıl yürütmeden yoksunlar. Akış otoregresif difüzyon modelleri verimli ancak akıl yürütmede sınırlıdır, çift yönlü difüzyon ise yoğun çerçeve düzeyinde gürültü giderme nedeniyle yüksek çıkarım maliyetleri ile küresel revizyon sağlar. Her iki paradigma da karmaşık akıl yürütme görevleri için mantıksal tutarlılık ve düşük gecikmeli akış elde etmek için mücadele eder. Çok adımlı akıl yürütme için hiyerarşik latentleri nedensel video üretimine entegre eden birleşik bir çerçeve olan HDR’yi (Hierarchical Denoising for Visual Reasoning) öneriyoruz.
Araştırma Detayları
HDR, video latentlerini ağaç şeklinde yapılandırılmış bir hiyerarşi halinde düzenler ve çıktıyı akışlamadan önce kaba – ince akıl yürütmeyi sağlar. Kaba gürültü giderici katmanlar, küresel planlama için belirsiz hipotezleri korurken, daha ince katmanlar bunları aşamalı olarak somut görsel durumlara dönüştürür. Seyrek bir hiyerarşik dikkat örüntüsü (SHAP) zamansal dikkat maliyetlerini daha da azaltır. Labirent navigasyonu, Hanoi Kulesi, tek hatlı çizim, sürgülü bulmaca, Sokoban ve su dökme olmak üzere altı görevi kapsayan, dağıtım dışı durumlarla seviye katmanlı çok adımlı bir video akıl yürütme ölçütü sunuyoruz. Akış
Sonuçlar
otoregresif difüzyon temel çizgileriyle karşılaştırıldığında, HDR başarıyı 34.22 ‘den 60.29’ a (% 76.2 göreceli kazanç) yükseltir ve ortalama ilerlemeyi 76.00 ‘dan 89.56’ ya yükselterek daha tutarlı akıl yürütme yörüngeleri gösterir. HDR, çift yönlü difüzyondan 54,2 kat daha hızlı çıkarım elde ederek, gizil başına 0,70 saniyede düşük gecikmeli akışı sürdürür. Ayrıca, çift yönlü difüzyon için % 52,0 ile karşılaştırıldığında, yalnızca % 2 eğitim verisi ile tam veri performansının % 82,9 ‘unu korur. Gerçek dünyadaki robot deneyleri, HDR’nin fiziksel etkileşim ve dünya modellemesi potansiyelini daha da göstermektedir. Proje demosu: https://hierarchical-diffusion-reasoning.github.io/.
Yazarlar
Zezhong Qian, Xiaowei Chi, Chak-Wing Mak, Tianze Zhou, Ruibin Yuan, Yuhan Rui, Hengzhe Sun, Zhuoqun Wu, Yuming Li, Siyuan Qian, Sirui Han, Shanghang Zhang
Kategoriler
cs.CV
Kaynaklar
Henüz yorum yok. İlk yorumu siz yapın!