論文の概要: TraversalBench: Challenging Paths to Follow for Vision Language Models

• arxiv url: http://arxiv.org/abs/2604.10999v1
• Date: Mon, 13 Apr 2026 04:58:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.333025
• Title: TraversalBench: Challenging Paths to Follow for Vision Language Models
• Title（参考訳）: TraversalBench: ビジョン言語モデルのためのフォローパス
• Authors: Clara Petrova, Zhuo Chen, Marin Soljačić,
• Abstract要約: 視覚言語モデル(VLM)はマルチモーダルベンチマークで強く機能するが、複雑な視覚経路を追従する能力は未試験である。 正確なビジュアルパストラバースのベンチマークであるTrversalBenchを紹介する。 自己切断が主要な困難の原因であることに気付きました。
• 参考スコア（独自算出の注目度）: 11.032462608031922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) perform strongly on many multimodal benchmarks. However, the ability to follow complex visual paths -- a task that human observers typically find straightforward -- remains under-tested. We introduce TraversalBench, a controlled benchmark for exact visual path traversal. Each instance contains a single continuous polyline, a unique start marker, and markers placed at path vertices; the task is to recover the exact ordered sequence encountered when traversing the path from start to finish. The benchmark explicitly balances key path-structural factors including self-intersection count, tortuosity, vertex count, and nearby confounding lines, while minimizing reliance on OCR, world knowledge, and open-ended planning. We find that self-intersections are the dominant source of difficulty. A first-crossing analysis shows that errors are sharply localized: performance is relatively stable immediately before the first crossing, then drops steeply when the model must resolve the correct continuation. By contrast, nearby confounding lines produce a weaker persistent degradation that compounds with repeated exposure. These analyses make TraversalBench a useful diagnostic for identifying whether models suffer from human-like failures or other breakdowns in sustained visual processing. An auxiliary reading-order benchmark further reveals a consistent preference for layouts compatible with left-to-right serialization, while not explaining away the main effects of path complexity. Together, these results position TraversalBench as a controlled diagnostic of path-faithful visual reasoning and as a useful testbed for studying multimodal spatial reasoning under ambiguity, clutter, and distractor structure. More broadly, we position TraversalBench as a contribution to the still-limited area of sustained visual grounding benchmarks for VLMs.
• Abstract（参考訳）: 視覚言語モデル(VLM)は多くのマルチモーダルベンチマークで強く機能する。 しかしながら、人間の観察者が通常簡単に見つけるタスクである複雑な視覚経路に従う能力は、まだテストされていない。 TraversalBenchは、正確なビジュアルパストラバーサルのための制御されたベンチマークである。 各インスタンスは、単一の連続的なポリライン、ユニークなスタートマーカー、パス頂点に配置されたマーカーを含む。 このベンチマークは、OCR、世界知識、オープンエンドプランニングへの依存を最小限に抑えながら、自己インターセクションカウント、トルティシティー、頂点カウント、および近隣の隣接ラインを含む重要なパス構造的要素を明示的にバランスさせる。 自己切断が主要な困難の原因であることに気付きました。 最初の交差解析では、エラーは急激な局所化が示され、最初の交差直前に性能は比較的安定し、モデルが正しい継続を解決しなければならない場合には急降下する。 対照的に、近接する凹凸線は、繰り返し露光する化合物のより弱い持続的な分解を引き起こす。 これらの分析により、TraversalBenchは、モデルが人間のような失敗に苦しむか、あるいは持続的な視覚処理における他の破壊に苦しむかを特定するのに有用な診断となる。 補助的な読み取り順序ベンチマークでは、左から右へのシリアライゼーションと互換性のあるレイアウトが一貫した優先性を示すが、パスの複雑さの主な影響は説明できない。 これらの結果から, トラバーサルベンチは, 経路忠実な視覚的推論の制御診断であり, 曖昧さ, 乱れ, 気晴らし構造下での多モーダル空間的推論研究に有用なテストベッドとして位置づけられた。 より広範に、我々はトラバーサルベンチを、VLMの持続的な視覚的グラウンド化ベンチマークの領域に、まだ限定的な貢献として位置づけている。

関連論文リスト

• Guideline2Graph: Profile-Aware Multimodal Parsing for Executable Clinical Decision Graphs [3.459382629188014]
  完全ガイドラインの証拠を実行可能な臨床判定グラフに変換する分解第一パイプラインを提案する。 我々は,一致する入力と基礎となるVLMバックボーンを併用した適応型前立腺ガイドリンベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2026-04-02T19:21:31Z)
• CRIT: Graph-Based Automatic Data Synthesis to Enhance Cross-Modal Multi-Hop Reasoning [28.037871701844654]
  我々は、複雑なクロスモーダル推論タスクを生成するグラフベースの自動パイプラインで構築された新しいデータセットとベンチマークであるCRITを紹介する。 CRITは、自然画像、ビデオ、テキストリッチソースから様々な領域で構成され、信頼性評価のための手動検証テストセットを含んでいる。 CRITでトレーニングされたモデルでは、SPIQAや他の標準マルチモーダルベンチマークの強化など、クロスモーダルなマルチホップ推論が大幅に向上した。
  論文  参考訳（メタデータ） (2026-04-02T05:23:18Z)
• Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
  Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。 Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
  論文  参考訳（メタデータ） (2026-02-27T07:36:32Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• CrossCheck-Bench: Diagnosing Compositional Failures in Multimodal Conflict Resolution [20.823419395675412]
  CrossCheck-Benchは、マルチモーダル入力における矛盾検出を評価するための診断ベンチマークである。 タスクが知覚的マッチングから論理的矛盾検出に移行するにつれて、13の最先端の視覚言語モデルを評価し、一貫した性能低下を観察する。
  論文  参考訳（メタデータ） (2025-11-19T12:17:15Z)
• Benchmark Designers Should "Train on the Test Set" to Expose Exploitable Non-Visual Shortcuts [49.99400612296149]
  強力な視覚的理解なしに、モデルが多くのベンチマークを達成できることがわかりました。 これは視覚的な入力を意図した視覚中心のベンチマークでは特に問題となる。 ベンチマーク設計には診断原則を採用しており、もしベンチマークをゲーム化できれば、それをゲーム化します。
  論文  参考訳（メタデータ） (2025-11-06T18:43:21Z)
• PRISM-Bench: A Benchmark of Puzzle-Based Visual Tasks with CoT Error Detection [33.98107848014898]
  PRISM-Benchはマルチモーダル大言語モデル(MLLM)を評価するために設計されたパズルに基づく視覚的課題のベンチマークである。 PRISM-Benchは、最終回答精度のみを測定する以前の評価とは異なり、診断タスクを導入している: 視覚パズルと、正確に1つのエラーを含むステップバイステップの連鎖が与えられた場合、モデルは最初の誤ったステップを特定する必要がある。 PRISM-Benchのパズルは多段階の記号的、幾何学的、類推的推論を必要とし、表面的なパターンマッチングに基づくショートカットに抵抗する。
  論文  参考訳（メタデータ） (2025-10-27T17:57:52Z)
• 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)
• Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
  TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。 我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。 実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T06:02:01Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)

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。