Xiao Yang（シャオ・ヤン）氏らは2026年10月14日(現地時間)付のarXiv cs.CVで、動画に基づく遠隔生理指標計測（RPM）におけるVision-Language Models（VLMs）の課題を指摘し、新たなフレームワークVITAL（Visual-physiological Token Alignment for Language Models）を提案する論文を発表した。既存のRPM手法がタスク固有のモデルに依存し、VLMsのマルチモーダル理解・対話能力と統合できない点が課題とされ、VLMsの汎用視覚意味表現が生理学的情報を保持できないことや、離散トークン予測が連続的な数値測定と不整合を起こすボトルネックが示された。
この研究は、将来の人間中心のインテリジェントシステムに向けた、エンドツーエンドの生理学的モニタリングを可能にするVLMsの機会を再評価した。研究チームは、RPM（remote physiological measurement）におけるVLMsの主な二つの課題を実証的に示した。
一つ目の課題は、VLMsが持つ汎用的な視覚意味表現が、きめ細かな生理学的情報を保持できない点である。二つ目の課題は、オートリグレッシブ生成における離散トークン予測が、連続的な数値測定と本質的に不整合である点である。
これらの課題に対処するため、研究チームはVITAL（Visual-physiological Token Alignment for Language Models）を提案した。VITALは、RPMと汎用的な視覚タスクを両立させる視覚・生理学トークンアライメントフレームワークである。VITALは、意味理解のための元の視覚経路を保持しつつ、意味情報と生理学的情報を共同でモデリングするために独立した生理学的経路を導入している。さらに、数値関係モデリングを強化することで、生成的な心拍数推定の信頼性を向上させる構造化された数値アライメントアプローチを提案した。
広範な実験の結果、VITALは複数のrPPG（remote photoplethysmography）データセットにおいて、クロスドメイン推定性能を向上させながら、VLMsの一般的な視覚理解能力を維持することが示された。これにより、VITALは統一された視覚・生理学的モデルとしての有効性を実証している。
参考: arXiv cs.CV (アーカイブ) — 2026年10月15日 13:00 (JST)
原文ハイライト"Why Do VLMs Fail at Remote Physiological Measurement? Rethinking with Physiological Grounding and Numerical Alignment"