論文の概要: DarkEQA: Benchmarking Vision-Language Models for Embodied Question Answering in Low-Light Indoor Environments

• arxiv url: http://arxiv.org/abs/2512.24985v1
• Date: Wed, 31 Dec 2025 17:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.72398
• Title: DarkEQA: Benchmarking Vision-Language Models for Embodied Question Answering in Low-Light Indoor Environments
• Title（参考訳）: DarkEQA:低照度屋内環境における身体的質問応答のためのビジョンランゲージモデルのベンチマーク
• Abstract要約: 視覚言語モデル(VLM)は、エンボディエージェントの中央推論モジュールとしてますます採用されている。 既存のベンチマークでは、その能力は理想的かつよく照らされた条件下で評価されているが、堅牢な24/7操作では、広範囲の視覚的劣化によるパフォーマンスが要求される。 In this present DarkEQA, a open-source benchmark for a EQA-relevant primitives under multi-level low-light conditions。
• 参考スコア（独自算出の注目度）: 24.527536145236894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision Language Models (VLMs) are increasingly adopted as central reasoning modules for embodied agents. Existing benchmarks evaluate their capabilities under ideal, well-lit conditions, yet robust 24/7 operation demands performance under a wide range of visual degradations, including low-light conditions at night or in dark environments--a core necessity that has been largely overlooked. To address this underexplored challenge, we present DarkEQA, an open-source benchmark for evaluating EQA-relevant perceptual primitives under multi-level low-light conditions. DarkEQA isolates the perception bottleneck by evaluating question answering from egocentric observations under controlled degradations, enabling attributable robustness analysis. A key design feature of DarkEQA is its physical fidelity: visual degradations are modeled in linear RAW space, simulating physics-based illumination drop and sensor noise followed by an ISP-inspired rendering pipeline. We demonstrate the utility of DarkEQA by evaluating a wide range of state-of-the-art VLMs and Low-Light Image Enhancement (LLIE) models. Our analysis systematically reveals VLMs' limitations when operating under these challenging visual conditions. Our code and benchmark dataset will be released upon acceptance.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、エンボディエージェントの中央推論モジュールとしてますます採用されている。 既存のベンチマークでは、その能力は理想的な明るい条件下で評価されているが、24/7の堅牢な運用では、夜間や暗い環境での低照度条件など、幅広い視覚的劣化によるパフォーマンスが要求される。 この未解明の課題に対処するため,マルチレベル低照度条件下でのEQA関連知覚的プリミティブを評価するためのオープンソースのベンチマークであるDarkEQAを提案する。 DarkEQAは、制御された劣化下での自我中心の観察から質問応答を評価することで知覚ボトルネックを分離し、帰属的堅牢性分析を可能にする。 視覚的劣化は線形RAW空間でモデル化され、物理ベースの照明ドロップとセンサーノイズをシミュレートし、ISPにインスパイアされたレンダリングパイプラインが続く。 我々はDarkEQAの実用性を,多種多様な最先端VLMと低照度画像強調(LLIE)モデルで評価することによって実証する。 本稿では,これらの難解な視覚条件下での動作におけるVLMの限界を系統的に明らかにする。 コードとベンチマークのデータセットは受け入れ次第リリースします。

関連論文リスト

• ObsDriveBench: Benchmarking Multimodal Understanding under Adverse Weather with Observability Awareness [65.3988208273595]
  我々は、悪天候自律運転のための実世界のマルチモーダルベンチマークであるtextbfObsDriveBenchを紹介する。 我々のベンチマークは,textbfobservability awareness, textbfspatial reliability, textbfrisk-aware decision-makingの3つの機能ディメンションで設計されている。 実験により、既存の視覚言語モデルの一貫した性能劣化が明らかになった。
  論文  参考訳（メタデータ） (2026-07-26T08:13:46Z)
• IQA-T1: Tool-based Visual Evidence Reasoning for Image Quality Assessment [59.83941105390897]
  ツールベースの視覚的エビデンス推論フレームワークであるIQA-T1を提案する。 推論の間、モデルは、構造化された視覚的証拠を生成するための特殊な分析ツールを自律的に呼び出す。 実験によると、IQA-T1はデータセット全体で最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-14T05:47:32Z)
• LIBERO-Occ: Evaluating and Improving Vision-Language-Action Models under Scene-Induced Occlusion via Viewpoint Imagination [66.06027569507403]
  textbfViewpoint Imagination (VIM) は、観測された証拠と想像された証拠の両方について、隠蔽された一次観測と条件の行動予測から補完的な視点を生成する。 VIMは、追加のカメラをデプロイ時に必要とせずに、タスクスイート、オクルージョンタイプ、重大度レベルの堅牢性を改善する。
  論文  参考訳（メタデータ） (2026-06-09T13:39:49Z)
• Spatiotemporal Sycophancy: Negation-Based Gaslighting in Video Large Language Models [54.76242207842981]
  我々は,Vid-LLMが正解し,否定に基づくガス灯下での判断を視覚的に下す失敗モードであるビデオサイファーシーを同定した。 モデルは単に答えを変更するのではなく、しばしば不正確な修正を正当化するために時間的または空間的な説明を作る。 GasVideo-1000は,視覚的根拠と時間的推論の要求を明確化して,ビデオの時間的サイコフィケーシーを探索するためのベンチマークである。
  論文  参考訳（メタデータ） (2026-04-20T06:35:26Z)
• QVAD: A Question-Centric Agentic Framework for Efficient and Training-Free Video Anomaly Detection [11.652235163237117]
  ビデオ異常検出(VAD)はコンピュータビジョンにおける基本的な課題である。 本稿では,VLM-LLMインタラクションを動的対話として扱う質問中心エージェントフレームワークQVADを提案する。 QVADはメモリフットプリントを最小限にして高い推論速度を実現し、リソース制約のエッジデバイスに高度なVAD機能を提供する。
  論文  参考訳（メタデータ） (2026-04-03T13:48:34Z)
• WeatherReasonSeg: A Benchmark for Weather-Aware Reasoning Segmentation in Visual Language Models [15.970876520993954]
  本稿では,悪天候条件下での推論に基づくセグメンテーションにおけるVLM性能評価のためのベンチマークであるWeatherReasonSegを紹介する。 まず,既存のセグメンテーションデータセットに重度レベルの異なる合成気象を適用して,制御可能な推論データセットを構築する。 第二に、実世界の複雑さを捉えるために、意味的に一貫したクエリで現実世界の悪天候推論セグメンテーションデータセットをキュレートする。
  論文  参考訳（メタデータ） (2026-03-18T12:57:18Z)
• Zoom-IQA: Image Quality Assessment with Reliable Region-Aware Reasoning [32.30800226412995]
  VLMに基づくIQAモデルであるZoom-IQAを導入し、重要な認知行動を明確にエミュレートする。 Zoom-IQAは、堅牢性、説明可能性、一般化の向上を実現する。 画像復元などの下流タスクへの応用は、Zoom-IQAの有効性をさらに示している。
  論文  参考訳（メタデータ） (2026-01-06T11:00:17Z)
• Zero-Reference Joint Low-Light Enhancement and Deblurring via Visual Autoregressive Modeling with VLM-Derived Modulation [18.67176370944511]
  現実の暗黒画像は、視界とコントラストの低いだけでなく、複雑なノイズやぼやけも示しており、重要な修復上の課題を呈している。 視覚言語モデル(VLM)を用いた視覚自己回帰モデル(VAR)に基づく生成フレームワークを提案する。 我々のフレームワークは完全に教師なしであり、ベンチマークデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-23T19:08:45Z)
• NovisVQ: A Streaming Convolutional Neural Network for No-Reference Opinion-Unaware Frame Quality Assessment [39.76658525158528]
  コンピュータビジョンタスクにはビデオ品質評価(VQA)が不可欠だが、既存のアプローチには大きな制約がある。 我々は、参照も意見も意識しないスケーラブルでストリーミングベースのVQAモデルを提案する。
  論文  参考訳（メタデータ） (2025-11-06T18:23:55Z)
• EgoNight: Towards Egocentric Vision Understanding at Night with a Challenging Benchmark [108.87311276892491]
  EgoNightは、夜間のエゴセントリックなビジョンのための、初めての総合的なベンチマークだ。 夜のアライメントビデオは、夜のアノテーションの質を高めます。 EgoNight-VQAには90本のビデオに3658のQAペアがあり、12種類のQAタイプにまたがっている。
  論文  参考訳（メタデータ） (2025-10-07T17:59:47Z)
• Evaluating Robustness of Vision-Language Models Under Noisy Conditions [0.0176290054713643]
  VLM(Vision-Language Models)は、画像キャプションや視覚的質問応答といったマルチモーダルタスクにおいて、例外的な成功を収めている。 制御摂動下での複数の最先端VLMの性能を評価するための総合評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T22:31:21Z)
• OST-Bench: Evaluating the Capabilities of MLLMs in Online Spatio-temporal Scene Understanding [50.72259772580637]
  エージェントの観点から,オンライン時空間理解を評価するためのベンチマークOST-Benchを紹介する。 効率的なデータ収集パイプライン上に構築されたOST-Benchは、ScanNet、Matterport3D、ARKitScenesから収集された1.4kのシーンと10kの質問応答ペアで構成されている。 複雑な空間的推論要求と長期記憶検索要求の両方が、2つの別々の軸に沿ってモデル性能を著しく低下させることがわかった。
  論文  参考訳（メタデータ） (2025-07-10T17:56:07Z)
• EyeSim-VQA: A Free-Energy-Guided Eye Simulation Framework for Video Quality Assessment [68.77813885751308]
  EyeSimVQAは、自由エネルギーベースの自己修復を取り入れた新しいVQAフレームワークである。 現状の手法と比較して,EyeSimVQAは競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-06-13T08:00:54Z)
• VisuRiddles: Fine-grained Perception is a Primary Bottleneck for Multimodal Large Language Models in Abstract Visual Reasoning [70.44416154144001]
  マルチモーダル大規模言語モデル(MLLM)の最近の進歩は、多くの推論タスクにおいて、その性能を著しく向上させてきた。 AVR(Abstract Visual Reasoning)は、抽象グラフィックの知覚に制限があるため、依然として重要な課題である。 PRSのベンチマークであるVisuRiddlesを提案し、モデルの推論能力を評価するために精巧に構築されたタスクを特徴付ける。 第二に、パーセプチュアル・リドル・シンセサイザー (PRS) を導入する。
  論文  参考訳（メタデータ） (2025-06-03T07:24:00Z)
• V-MAGE: A Game Evaluation Framework for Assessing Vision-Centric Capabilities in Multimodal Large Language Models [84.27290155010533]
  本稿では,視覚中心型多機能ゲーム評価(V-MAGE)について紹介する。 V-MAGEは、30以上の慎重に構築された評価シナリオからなる5つの異なるビデオゲームを特徴としている。 V-MAGEは、動的かつインタラクティブな設定において、MLLMの視覚的および推論能力を改善するために実行可能な洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-08T15:43:01Z)
• OSMa-Bench: Evaluating Open Semantic Mapping Under Varying Lighting Conditions [0.0]
  オープンセマンティックマッピング(OSM)は、セマンティックセグメンテーションとSLAM技術を組み合わせたロボット知覚における重要な技術である。 本研究は室内照明条件の異なる条件下での最先端意味マッピングアルゴリズムの評価に焦点をあてる。
  論文  参考訳（メタデータ） (2025-03-13T13:07:51Z)
• Integrating Frequency-Domain Representations with Low-Rank Adaptation in Vision-Language Models [0.6715525121432597]
  本研究では,特徴抽出,拡張性,効率性を向上する新しい視覚言語モデル(VLM)フレームワークを提案する。 ガウス雑音のレベルが異なるベンチマークデータセットを用いて,キャプション生成モデルと視覚質問応答(VQA)タスクの評価を行った。 我々のモデルは、特に無人地上車両(UGV)に搭載されたRealSenseカメラで捉えた現実世界のイメージに対して、より詳細で文脈的に関係のある応答を提供する。
  論文  参考訳（メタデータ） (2025-03-08T01:22:10Z)
• Dusk Till Dawn: Self-supervised Nighttime Stereo Depth Estimation using Visual Foundation Models [16.792458193160407]
  自己教師付き深さ推定アルゴリズムはフレームウォーピング関係に大きく依存する。 夜間に焦点をあてた自己教師型ステレオ深度推定を行うアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-18T03:07:23Z)
• NPHardEval4V: Dynamic Evaluation of Large Vision-Language Models with Effects of Vision [64.83085920775316]
  NPHardEval4Vは4つの古典的NPハード問題に基づくマルチモーダルベンチマークスイートである。 各タスクは、構造化された視覚レイアウトとテキストプロンプトを組み合わせることで、視覚言語的制約の下で推論を行うLVLMの能力を評価するように設計されている。 以上の結果から,これらのモデルは知覚に基づく入力に対して合理的に優れているが,グローバルな最適化,抽象化,制約満足度に苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-04T07:10:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。