論文の概要: SEA: Evaluating Sketch Abstraction Efficiency via Element-level Commonsense Visual Question Answering

• arxiv url: http://arxiv.org/abs/2603.28363v1
• Date: Mon, 30 Mar 2026 12:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.390537
• Title: SEA: Evaluating Sketch Abstraction Efficiency via Element-level Commonsense Visual Question Answering
• Title（参考訳）: SEA: 要素レベルのコモンセンスビジュアル質問応答によるスケッチ抽象化効率の評価
• Authors: Jiho Park, Sieun Choi, Jaeyoon Seo, Minho Sohn, Yeana Kim, Jihie Kim,
• Abstract要約: スケッチがクラス定義の視覚要素をどのように表現するかを経済的に評価する参照不要な指標であるSEA(Sketch Evaluation metric for Abstraction efficiency)を紹介する。 コモンスケッチ(CommonSketch)は,300のクラスにまたがる23,100の人書きスケッチからなる,最初の意味的注釈付きスケッチデータセットである。
• 参考スコア（独自算出の注目度）: 4.267729144203295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A sketch is a distilled form of visual abstraction that conveys core concepts through simplified yet purposeful strokes while omitting extraneous detail. Despite its expressive power, quantifying the efficiency of semantic abstraction in sketches remains challenging. Existing evaluation methods that rely on reference images, low-level visual features, or recognition accuracy do not capture abstraction, the defining property of sketches. To address these limitations, we introduce SEA (Sketch Evaluation metric for Abstraction efficiency), a reference-free metric that assesses how economically a sketch represents class-defining visual elements while preserving semantic recognizability. These elements are derived per class from commonsense knowledge about features typically depicted in sketches. SEA leverages a visual question answering model to determine the presence of each element and returns a quantitative score that reflects semantic retention under visual economy. To support this metric, we present CommonSketch, the first semantically annotated sketch dataset, comprising 23,100 human-drawn sketches across 300 classes, each paired with a caption and element-level annotations. Experiments show that SEA aligns closely with human judgments and reliably discriminates levels of abstraction efficiency, while CommonSketch serves as a benchmark providing systematic evaluation of element-level sketch understanding across various vision-language models.
• Abstract（参考訳）: スケッチ(英: sketch)は、単純だが目的のあるストロークを通してコア概念を伝達し、余分な詳細を省略する、蒸留された視覚抽象形式である。 その表現力にもかかわらず、スケッチにおける意味的抽象の効率を定量化することは依然として困難である。 参照画像、低レベル視覚特徴、認識精度に依存する既存の評価手法は、スケッチの定義特性である抽象化を捉えない。 これらの制約に対処するため、セケッチ評価基準(Sketch Evaluation metric for Abstraction efficiency)を導入し、セマンティック認識性を保ちながら、スケッチがクラス定義の視覚要素をどのように経済的に表現するかを評価する。 これらの要素は、スケッチで典型的に描かれる特徴に関する常識的な知識からクラスごとに派生している。 SEAは視覚的質問応答モデルを利用して各要素の存在を判断し、視覚経済下での意味的保持を反映した定量的スコアを返す。 このメトリクスをサポートするために、CommonSketchは、300のクラスに23,100の人書きスケッチで構成され、それぞれにキャプションと要素レベルのアノテーションが組み合わされた最初の意味的注釈付きスケッチデータセットである。 実験の結果、SEAは人間の判断と密接に一致し、抽象化効率のレベルを確実に識別する一方で、CommonSketchは様々な視覚言語モデルにおける要素レベルのスケッチ理解の体系的な評価を提供するベンチマークとして機能することがわかった。

関連論文リスト

• SketchRef: a Multi-Task Evaluation Benchmark for Sketch Synthesis [6.832790933688975]
  SketchRefは、スケッチ合成のための最初の総合的なマルチタスク評価ベンチマークである。 タスクは、動物、共通物、人体、顔の4つの領域にまたがる5つのサブタスクに分けられる。 アート愛好家から7,920の回答を収集することで,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2024-08-16T09:32:26Z)
• How to Handle Sketch-Abstraction in Sketch-Based Image Retrieval? [120.49126407479717]
  スケッチの抽象化を様々なレベルで処理できるスケッチベース画像検索フレームワークを提案する。 粒度レベルの抽象理解のために、検索モデルはすべての抽象レベルを等しく扱ってはならないと規定する。 私たちのAcc.@qの損失は、評価がいかに厳格であるかという点で、スケッチが焦点を絞りたり壊したりできます。
  論文  参考訳（メタデータ） (2024-03-11T23:08:29Z)
• Enhance Sketch Recognition's Explainability via Semantic Component-Level Parsing [10.76791271745353]
  提案した構造化スケッチ認識ネットワークに,セマンティックコンポーネントレベルのメモリモジュールを構築し,組み込む。 各スケッチカテゴリのセマンティックコンポーネントを表すメモリキーを自己学習し、認識ネットワークの説明可能性を高める。 SPGとSketchIMEデータセットの実験は、メモリモジュールの柔軟性と認識ネットワークの説明可能性を示している。
  論文  参考訳（メタデータ） (2023-12-13T03:33:16Z)
• Sketch2Saliency: Learning to Detect Salient Objects from Human Drawings [99.9788496281408]
  本研究では,スケッチを弱いラベルとして使用して,画像中の有能な物体を検出する方法について検討する。 これを実現するために,与えられた視覚写真に対応する逐次スケッチ座標を生成することを目的としたフォト・ツー・スケッチ生成モデルを提案する。 テストは、私たちの仮説を証明し、スケッチベースの唾液度検出モデルが、最先端技術と比較して、競争力のあるパフォーマンスを提供する方法を明確にします。
  論文  参考訳（メタデータ） (2023-03-20T23:46:46Z)
• CLIPasso: Semantically-Aware Object Sketching [34.53644912236454]
  本稿では,幾何学的および意味的単純化によって導かれる抽象レベルが異なるオブジェクトスケッチ手法を提案する。 スケッチをB'ezier曲線の集合として定義し、CLIPに基づく知覚的損失に対して曲線のパラメータを直接最適化するために微分器を使用する。
  論文  参考訳（メタデータ） (2022-02-11T18:35:25Z)
• One Sketch for All: One-Shot Personalized Sketch Segmentation [84.45203849671003]
  そこで本研究では,最初のワンショットパーソナライズドスケッチセグメンテーション手法を提案する。 我々は、同じカテゴリに属するすべてのスケッチを、特定の部分アノテーション付きの1つのスケッチでセグメント化することを目指している。 私たちは、例に埋め込まれた部分のセマンティクスを保存し、入力スタイルと抽象化に堅牢です。
  論文  参考訳（メタデータ） (2021-12-20T20:10:44Z)

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。