論文の概要: Through the PRISM: Principle-Aware, Interpretable, and Multi-Scale Evaluation of Visual Designs

• arxiv url: http://arxiv.org/abs/2606.00592v1
• Date: Sat, 30 May 2026 07:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.540514
• Title: Through the PRISM: Principle-Aware, Interpretable, and Multi-Scale Evaluation of Visual Designs
• Title（参考訳）: PRISMを通して:ビジュアルデザインの原理認識,解釈,マルチスケール評価
• Abstract要約: PRISM (PRinciple-aware, Interpretable, and Structure-Guided Design Modifications) は、測定可能な設計原則に沿ってプロのレイアウトを体系的に乱すベンチマークである。 定量的評価のための軽量スコアラーと、局所的なフィードバックのための命令調整型視覚言語モデルと、グローバル推論のためのプロンプトベースの手法を統合したマルチスケール評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.317720902924703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective visual communication stems from the harmony of multiple design principles, such as readability, contrast, alignment, overlap, and coherence, which collectively govern clarity and intent of the communicator. While human designers reason holistically over these principles, machine agents typically condense them into a single heuristic score, offering limited interpretability and diagnostic precision. To address this gap, we introduce PRISM (PRinciple-aware, Interpretable, and Structure-guided Design Modifications), a benchmark that systematically perturbs professional layouts from the Crello dataset along measurable design principles. The benchmark comprises 100K perturbed training samples and 10K perturbed validation designs, each isolating a specific principle violation for controlled analysis of multimodal reasoning about design quality. We show that models like Qwen-2.5-VL and GPT-4o-mini are largely insensitive to targeted principle degradations, whereas GPT-4o exhibits global awareness without fine-grained disentanglement. Building on these insights, we propose a multi-scale evaluation framework that integrates lightweight scorers for quantitative assessment, instruction-tuned vision-language models for localised feedback, and prompt-based methods for global reasoning. Our framework provides interpretable explanations of design failures. Using these localised insights, we show targeted refinements that improve layout quality. Together, PRISM and our framework lay the foundation for interpretable design-literate multimodal reasoning systems.
• Abstract（参考訳）: 効果的な視覚コミュニケーションは、可読性、コントラスト、アライメント、重複、コヒーレンスといった複数の設計原則の調和に起因している。 人間の設計者はこれらの原則を論理的に論じるが、機械エージェントは通常それらを単一のヒューリスティックスコアにまとめ、限定的な解釈可能性と診断精度を提供する。 このギャップに対処するため、私たちは、Crelloデータセットからのプロのレイアウトを、測定可能な設計原則に沿って体系的に乱すベンチマークであるPRISM(PRinciple-aware, Interpretable, and Structure-guided Design Modifications)を導入しました。 ベンチマークは100Kの摂動トレーニングサンプルと10Kの摂動検証設計で構成され、それぞれが設計品質に関するマルチモーダル推論の制御された分析に対する特定の原則違反を分離する。 我々は,Qwen-2.5-VL や GPT-4o-mini のようなモデルが主目的の原理的劣化にはほとんど敏感でないことを示した。 これらの知見に基づいて、定量的評価のための軽量スコアラー、局所的なフィードバックのための命令調整型視覚言語モデル、グローバル推論のためのプロンプトベースの手法を統合したマルチスケール評価フレームワークを提案する。 我々のフレームワークは設計失敗の解釈可能な説明を提供する。 これらの局所的な洞察を用いて,レイアウトの品質向上を目的とした改良点を示す。 PRISMと我々のフレームワークは、設計書の解釈可能なマルチモーダル推論システムの基礎を築いた。

関連論文リスト

• Gate-and-Merge: Zero-shot Compositional Personalization of Vision Language Models [60.25065199948178]
  共起学習を必要とせずに作曲のパーソナライズを可能にするフレームワークであるGate-and-Mergeを紹介する。 パーソナライゼーションの間、各概念は、概念トークンと組み合わせた軽量のLoRAアダプタとして独立に学習される。 推定では,概念固有のLoRA更新を重み空間に直接マージすることで構成を可能にする。
  論文  参考訳（メタデータ） (2026-05-09T05:32:28Z)
• Enhancing Multimodal In-Context Learning via Inductive-Deductive Reasoning [65.15766304205657]
  In-context Learning (ICL) は、大規模なモデルをいくつかの例を使ってタスクに適応させるが、視覚言語モデル(VLM)への拡張は脆弱である。 我々の分析によると、基本的な限界は帰納的ギャップにあり、モデルはしばしば欠陥のある推論から正しい答えを導き出す。 帰納的帰納的プロセスとしてマルチモーダル ICL を再構成する枠組みを導入する。
  論文  参考訳（メタデータ） (2026-05-04T09:18:19Z)
• Perception-Aware Multimodal Spatial Reasoning from Monocular Images [57.42071289037214]
  単眼画像からの空間的推論は 自律運転には不可欠です 現在のヴィジュアルランゲージモデル(VLM)は、微粒な幾何学的知覚に苦慮している。 本稿では,VLMを明示的な対象中心の接地能力を持つ知覚認識型マルチモーダル推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-07T02:05:12Z)
• De-rendering, Reasoning, and Repairing Charts with Vision-Language Models [2.3332469289621787]
  ルールベースの視覚化リンタは違反をフラグ付けするが、コンテキストを見逃し、意味のある設計変更を示唆しない。 グラフのデレンダリング、自動分析、反復的な改善を組み合わせて、実用的な、解釈可能なフィードバックを提供するフレームワークを紹介します。
  論文  参考訳（メタデータ） (2026-02-23T19:16:27Z)
• Perception-Consistency Multimodal Large Language Models Reasoning via Caption-Regularized Policy Optimization [72.30168853571216]
  マルチモーダルな言語モデルは、視覚知覚と象徴的推論を統合するタスクに優れています。 CapPO は,(1) 原画像上の条件付き応答とキャプション上の条件付き応答のばらつきを最小限に抑えるキャプションベース整合性正規化,(2) KL 重み付き優位性推定スキームを適応的に拡張して知覚整合性トラジェクトリを強化するキャプションベース整合性正規化という2つの重要なメカニズムを統合した。
  論文  参考訳（メタデータ） (2025-09-26T04:32:26Z)
• GIER: Gap-Driven Self-Refinement for Large Language Models [0.8460698440162889]
  GIER(Gap-driven Iterative Enhancement of Responses)は、大規模な言語モデル(LLM)出力を改善するためのフレームワークである。 GIERは、タスクの精度を低下させることなく、合理的な品質、接地、推論アライメントを改善する。 本分析は,抽象的な概念的ギャップを解釈できるだけでなく,具体的な推論改善に変換できることを示す。
  論文  参考訳（メタデータ） (2025-08-30T02:54:08Z)
• Explain Before You Answer: A Survey on Compositional Visual Reasoning [74.27548620675748]
  構成的視覚推論は、マルチモーダルAIにおける重要な研究フロンティアとして登場した。 本調査は,トップ会場(CVPR,ICCV,NeurIPS,ICML,ACLなど)から260以上の論文を体系的にレビューする。 次に60以上のベンチマークとそれに対応するメトリクスを、基底精度、連鎖忠実性、高分解能知覚などの次元に沿って探索する。
  論文  参考訳（メタデータ） (2025-08-24T11:01:51Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• ASCENT-ViT: Attention-based Scale-aware Concept Learning Framework for Enhanced Alignment in Vision Transformers [29.932706137805713]
  ASCENT-ViTは、視覚変換器(ViT)のための注意に基づく概念学習フレームワークである。 マルチスケールの特徴ピラミッドとViTパッチの表現から、スケールと位置認識の表現をそれぞれ構成する。 標準的なViTバックボーンの上の分類ヘッドとして利用でき、予測性能を改善し、正確で堅牢な概念説明を行うことができる。
  論文  参考訳（メタデータ） (2025-01-16T00:45:05Z)
• LLM-based Hierarchical Concept Decomposition for Interpretable Fine-Grained Image Classification [5.8754760054410955]
  構造化概念解析によるモデル解釈可能性の向上を目的とした新しいフレームワークである textttHi-CoDecomposition を紹介する。 われわれのアプローチは、最先端のモデルの性能だけでなく、意思決定プロセスに対する明確な洞察を提供することで透明性を向上する。
  論文  参考訳（メタデータ） (2024-05-29T00:36:56Z)

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。