論文の概要: TempGlitch: Evaluating Vision-Language Models for Temporal Glitch Detection in Gameplay Videos

• arxiv url: http://arxiv.org/abs/2605.21443v1
• Date: Wed, 20 May 2026 17:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.816002
• Title: TempGlitch: Evaluating Vision-Language Models for Temporal Glitch Detection in Gameplay Videos
• Title（参考訳）: TempGlitch: ゲームプレイビデオにおける時間的グリッチ検出のための視覚言語モデルの評価
• Abstract要約: 我々は、いくつかのグリッチが孤立したフレームで空間的かつ可視的であるのに対して、他のグリッチは時間的であり、順序付けられたフレーム間の変化によってのみ明らかになると主張している。 そこで本研究では,時間的グリッチ検出のためのゲームプレイビデオベンチマークであるTempGlitchを導入する。
• 参考スコア（独自算出の注目度）: 12.71084447285112
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vision-language models (VLMs) are increasingly being explored for video game quality assurance, especially gameplay glitch detection. Most existing evaluations, however, treat glitches as static visual anomalies, asking models to detect failures from a single frame. We argue that this framing misses a key distinction: some glitches are spatial and visible in an isolated frame, whereas others are temporal and become evident only through changes across ordered frames. A preliminary study confirms this gap, showing that temporal glitches are substantially harder for VLMs to detect than spatial ones. To enable systematic evaluation of this underexplored setting, we introduce TempGlitch, a controlled gameplay video benchmark for temporal glitch detection. TempGlitch covers five temporal glitch types with balanced per-category samples, together with paired glitch-free videos that enable reliable binary evaluation. We evaluate 12 proprietary and open-weight VLMs across multiple frame-sampling settings. Our results show that current VLMs remain near chance on TempGlitch, often collapsing into either overly conservative behavior that misses most glitches or overly sensitive behavior that flags clean videos as glitchy. Moreover, denser frame sampling and larger model size do not reliably resolve these failures. TempGlitch provides a focused testbed for temporal reasoning, robust gameplay understanding, and automated glitch detection with VLMs. Code and data are available at the project website.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、ビデオゲームの品質保証、特にゲームプレイグリッチ検出のために研究されている。 しかし、既存のほとんどの評価では、グリッチを静的な視覚異常として扱い、モデルに単一のフレームから障害を検出するように求めている。 我々は、このフレーミングが重要な区別を欠いていると主張している。いくつかのグリッチは孤立したフレームで空間的に見え、他のグリッチは時間的であり、順序付けられたフレーム間の変化によってのみ明らかになる。 予備的な研究では、このギャップが確認されており、VLMが空間的よりも検出するのが極めて難しいことが示されている。 そこで本研究では,時間的グリッチ検出のためのゲームプレイビデオベンチマークであるTempGlitchを導入する。 TempGlitchは、カテゴリごとのバランスの取れた5つの時間的グリッチタイプと、信頼性の高いバイナリ評価を可能にするペア付きグリッチフリービデオをカバーする。 複数のフレームサンプリング設定において,プロプライエタリかつオープンウェイトなVLMを12個評価した。 以上の結果から、現在のVLMはTempGlitchに近づいたままで、ほとんどのグリーチを見逃す過度に保守的な行動と、クリーンなビデオをグリーチとしてフラグ付けする過度に敏感な行動に陥りがちです。 さらに、より高密度なフレームサンプリングとより大きなモデルサイズは、これらの失敗を確実に解決しない。 TempGlitchは、時間的推論、堅牢なゲームプレイ理解、VLMによる自動グリッチ検出のための集中的なテストベッドを提供する。 コードとデータはプロジェクトのWebサイトで公開されている。

関連論文リスト

• What's the Catch? Evaluating Temporal Consistency in Vision-Language Models [0.11121828451787184]
  視覚言語モデル (VLM) はビデオや画像系列のベンチマークで高い性能を発揮するが、時間構造を捉えているかどうかは不明だ。 連続するフレームとフレームレベルの異常をガウス雑音に置き換えることで、時間的異常を発生させるTimeCatchを導入する。 評価の結果,フレームレベルと時間的異常検出との間にはかなりのギャップがあることが判明した。
  論文  参考訳（メタデータ） (2026-08-24T16:40:49Z)
• Evaluating VLMs for Autonomous Agent-Driven Geometry Clipping Detection in Video Game QA [6.404338288187941]
  エージェント駆動型ゲーム品質保証パイプラインにおける異常検出における視覚言語モデル(VLM)の利用について検討した。 我々は、ゼロショットプロンプト設定下で6つの最近のVLMをベンチマークし、その感度を4つのプロンプト変種に解析する。 以上の結果から,VLMは幾何学的クリッピングに関連する視覚的手がかりを捉えることができるが,視覚的不明瞭なフレームに対して有意な偽陽性が生じることが示唆された。
  論文  参考訳（メタデータ） (2026-07-28T16:10:47Z)
• Moment-Video: Diagnosing Temporal Fidelity of Video MLLMs on Momentary Visual Events [52.031070006859544]
  ビデオマルチモーダル大言語モデル(MLLM)は、一般的なビデオ理解と長大なビデオ理解を急速に進歩させてきたが、短い回答クリティカルな視覚的証拠を保存できる能力はいまだに未発見のままである。 本稿では,映像MLLMの時間的忠実度を時間的視覚的事象理解によって診断するためのベンチマークであるMoment-Videoを紹介する。
  論文  参考訳（メタデータ） (2026-06-01T17:32:20Z)
• Foresee-to-Ground: From Predictive Temporal Perception to Evidence-Driven Reasoning for Video Temporal Grounding [86.37002814396674]
  ビデオ時間グラウンドのためのフォアシー・ツー・グラウンド(F2G)を提案する。 F2Gは予測的時間知覚とエビデンス駆動推論を統合している。 さまざまなベンチマークでグラウンド化の精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-05-21T04:03:25Z)
• RESP: Reference-guided Sequential Prompting for Visual Glitch Detection in Video Games [12.71084447285112]
  視覚言語モデル(VLM)を用いたゲームプレイグリッチ検出のための実用的多フレームフレームワークRESPを提案する。 各テストフレームに対して、同じビデオの早期から参照フレームを選択し、視覚的ベースラインを確立する。 RESPは、VLMを微調整することなく、ノイズの多いフレーム予測を安定したビデオレベル決定に集約する。
  論文  参考訳（メタデータ） (2026-04-13T07:04:15Z)
• How Far Can VLMs Go for Visual Bug Detection? Studying 19,738 Keyframes from 41 Hours of Gameplay Videos [41.46982669196867]
  長めのゲームプレイのためのビデオベースの品質保証(QA)は、労働集約的でエラーを起こしやすい。 近年のベンチマークでは、視覚言語モデル(VLM)は、キュレートされたデータセットの視覚的グリッチの検出において、有望な結果が得られることが示唆されている。
  論文  参考訳（メタデータ） (2026-03-24T01:59:06Z)
• MistExit: Learning to Exit for Early Mistake Detection in Procedural Videos [53.5354731425141]
  ビデオにおける早期誤り検出の課題について紹介する。 本研究の目的は,プロシージャ活動におけるキーステップが,ストリーミング映像を可能な限り少なく観察しながら正しく実行されるかどうかを判断することである。 本稿では,誤り検出と強化学習ポリシを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2026-03-15T07:14:49Z)
• VideoHallu: Evaluating and Mitigating Multi-modal Hallucinations on Synthetic Video Understanding [70.00000053847738]
  物理的な世界と対話するAIシステムには、真の視覚的理解が不可欠である。 現在の評価では、主にトレーニングデータと同様の実際のビデオを使用する。 物理的に不可能または論理的に矛盾する事象を描写するビデオを用いた負制御テストを提案する。
  論文  参考訳（メタデータ） (2025-05-02T15:58:38Z)
• MINERVA: Evaluating Complex Video Reasoning [72.12644008002566]
  我々は、最新のマルチモーダルモデルのためのMINERVAと呼ばれる新しいビデオ推論データセットを提供する。 我々のデータセットはマルチモーダルであり、ビデオ領域と長さの点で多様であり、複雑なマルチステップの質問で構成されている。 我々は,様々なモデルにまたがる共通障害モードを特定するために,きめ細かいエラー解析を行い,推論エラーの分類を作成する。
  論文  参考訳（メタデータ） (2025-05-01T17:41:49Z)
• TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models [75.42002690128486]
  TemporalBenchは、ビデオの微細な時間的理解を評価するための新しいベンチマークだ。 ビデオクリップの時間的ダイナミクスを詳述した2Kの高品質な人間のアノテーションから派生した10KのビデオQ&Aペアで構成されている。 GPT-4oのような最先端のモデルは、TemporalBench上で38.5%の質問応答精度しか達成していない。
  論文  参考訳（メタデータ） (2024-10-14T17:59:58Z)
• GlitchBench: Can large multimodal models detect video game glitches? [6.817358575629576]
  GlitchBenchは、ビデオゲームの品質保証タスクから派生した新しいベンチマークである。 当社のベンチマークは、ビデオゲームの異常なシナリオや派手なシナリオから収集しています。 我々はGlitchBenchが最先端のLMMに新たな課題をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-08T18:14:21Z)
• Anomaly detection in surveillance videos using transformer based attention model [3.2968779106235586]
  本研究は、トレーニングビデオにおける異常セグメントの注釈付けを避けるために、弱教師付き戦略を用いることを示唆する。 提案するフレームワークは,実世界のデータセット,すなわちShanghaiTech Campusデータセットで検証される。
  論文  参考訳（メタデータ） (2022-06-03T12:19:39Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)

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。