論文の概要: AutoVQA-G: Self-Improving Agentic Framework for Automated Visual Question Answering and Grounding Annotation

• arxiv url: http://arxiv.org/abs/2604.17488v1
• Date: Sun, 19 Apr 2026 15:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.551312
• Title: AutoVQA-G: Self-Improving Agentic Framework for Automated Visual Question Answering and Grounding Annotation
• Title（参考訳）: AutoVQA-G: 自動視覚質問応答と接地アノテーションのための自己改善型エージェントフレームワーク
• Abstract要約: 接地データセットで応答する高品質な視覚的質問のマニュアルアノテーションは、視覚-投機モデルの前進に不可欠である。 既存の自動メソッドは、しばしば2つの重要な問題によって妨げられる。 本稿では,自動VQA-Gアノテーションのための自己改善型エージェントフレームワークであるAutoVQA-Gを紹介する。
• 参考スコア（独自算出の注目度）: 7.909534692798243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manual annotation of high-quality visual question answering with grounding (VQA-G) datasets, which pair visual questions with evidential grounding, is crucial for advancing vision-language models (VLMs), but remains unscalable. Existing automated methods are often hindered by two key issues: (1) inconsistent data fidelity due to model hallucinations; (2) brittle verification mechanisms based on simple heuristics. To address these limitations, we introduce AutoVQA-G, a self-improving agentic framework for automated VQA-G annotation. AutoVQA-G employs an iterative refinement loop where a Consistency Evaluation module uses Chain-of-Thought (CoT) reasoning for fine-grained visual verification. Based on this feedback, a memory-augmented Prompt Optimization agent analyzes critiques from failed samples to progressively refine generation prompts. Our experiments show that AutoVQA-G generates VQA-G datasets with superior visual grounding accuracy compared to leading multimodal LLMs, offering a promising approach for creating high-fidelity data to facilitate more robust VLM training and evaluation. Code: https://github.com/rohnson1999/AutoVQA-G
• Abstract（参考訳）: 視覚的問合せと明白なグラウンド化とを組み合わせたグラウンド化(VQA-G)データセットによる高品質な視覚的質問応答のマニュアルアノテーションは、視覚言語モデル(VLM)の進展に不可欠であるが、まだ実現不可能である。 既存の自動手法は,(1)モデル幻覚による不整合データ忠実度,(2)単純なヒューリスティックスに基づく脆性検証機構の2つの主要な問題によって妨げられることが多い。 これらの制約に対処するため,自動VQA-Gアノテーションのための自己改善型エージェントフレームワークであるAutoVQA-Gを導入する。 AutoVQA-Gは、一貫性評価モジュールがきめ細かい視覚的検証のためにChain-of-Thought(CoT)推論を使用する反復改善ループを採用している。 このフィードバックに基づいて、メモリ拡張されたPrompt Optimizationエージェントは、失敗したサンプルからの批判を分析して、生成プロンプトを徐々に洗練する。 実験の結果,AutoVQA-Gは先行するマルチモーダルLCMと比較して,視覚的グラウンドニング精度のよいVQA-Gデータセットを生成し,より堅牢なVLMトレーニングと評価を容易にするために,高忠実度データを作成するための有望なアプローチを提供する。 コード:https://github.com/rohnson 1999/AutoVQA-G

関連論文リスト

• Fix Before Search: Benchmarking Agentic Query Visual Pre-processing in Multimodal Retrieval-augmented Generation [47.96044455071274]
  V-QPP-Benchは、Visual Queryの事前処理に特化した最初のベンチマークである。 視覚障害は、検索リコールとエンド・ツー・エンドのMRAGパフォーマンスの両方を著しく低下させる。 市販のMLLMは、特別な訓練を受けずにツールの選択とパラメータ予測に苦労する。 教師付き微調整により、コンパクトモデルはより大きなプロプライエタリモデルと同等または優れた性能を達成できる。
  論文  参考訳（メタデータ） (2026-02-13T18:39:48Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• VeriSciQA: An Auto-Verified Dataset for Scientific Visual Question Answering [53.662676566188175]
  重要なボトルネックは、パブリックで大規模で高品質なビジュアル質問回答(SVQA)データセットの欠如にある。 本稿では、まず、図形関連テクストコンテキストとQAペアを生成する検証中心のGenerate-then-Verifyフレームワークを提案する。 このフレームワークをインスタンス化し、20の科学的ドメインと12のフィギュアタイプからなる20,351のQAペアのデータセットであるVeriSciQAをキュレートします。
  論文  参考訳（メタデータ） (2025-11-25T04:14:52Z)
• AgentThink: A Unified Framework for Tool-Augmented Chain-of-Thought Reasoning in Vision-Language Models for Autonomous Driving [31.127210974372456]
  VLM(Vision-Language Models)は、自律走行を約束するが、幻覚、非効率な推論、限られた実世界の検証は、正確な知覚と堅牢なステップバイステップ推論を妨げる。 我々は、Chain-of-Thought(CoT)推論と、自律運転タスクのための動的エージェントスタイルのツール呼び出しを統合した、先駆的な統合フレームワークであるtextbfAgentThinkを紹介した。
  論文  参考訳（メタデータ） (2025-05-21T09:27:43Z)
• Trust but Verify: Programmatic VLM Evaluation in the Wild [62.14071929143684]
  プログラム型VLM評価(Programmatic VLM Evaluation、PROVE)は、オープンなクエリに対するVLM応答を評価するための新しいベンチマークパラダイムである。 我々は,PROVE上でのVLMの有効性-実効性トレードオフをベンチマークした結果,両者のバランスが良好であることは極めて少ないことがわかった。
  論文  参考訳（メタデータ） (2024-10-17T01:19:18Z)
• Davidsonian Scene Graph: Improving Reliability in Fine-grained Evaluation for Text-to-Image Generation [64.64849950642619]
  テキスト・ツー・イメージ・モデルを評価するための形式的意味論にインスパイアされた評価フレームワークを開発する。 Davidsonian Scene Graph (DSG) が依存性グラフにまとめられた原子的およびユニークな質問を生成することを示す。 また,1060個のプロンプトを含むオープンソースの評価ベンチマークDSG-1kを提案する。
  論文  参考訳（メタデータ） (2023-10-27T16:20:10Z)
• Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
  非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。 我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2020-05-28T08:26:06Z)

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。