論文の概要: CV-Arena: An Open Benchmark for Instructional Computer Vision Problem Solving with Human-AI Collaborative Preferences
- arxiv url: http://arxiv.org/abs/2606.00931v1
- Date: Sat, 30 May 2026 23:37:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.984844
- Title: CV-Arena: An Open Benchmark for Instructional Computer Vision Problem Solving with Human-AI Collaborative Preferences
- Title（参考訳）: CV-Arena:人間とAIのコラボレーションによるコンピュータビジョン問題解決のためのオープンベンチマーク
- Abstract要約: CV-Arenaは、プロの規模でこの能力を評価するために設計されたオープンベンチマークである。
CV-Arenaは16の命令ベースの視覚タスクタイプにまたがる12Kの高解像度実像命令ペアを含んでいる。
我々は,計画,編集,検証を組み合わせた軽量エージェントモデルCV-Agentを開発した。
- 参考スコア（独自算出の注目度）: 51.86576932800981
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Instruction-guided image editing is becoming a general interface for visual work, yet existing benchmarks still focus largely on narrow appearance edits and do not fully capture the diversity of real-image tasks in professional workflows. Here, we define instructional computer vision problem solving as a broader formulation of image editing: given a real input image and a natural-language instruction, a system must produce an edited output that realizes the requested transformation while satisfying explicit preservation, geometric, physical, and usability constraints. We introduce CV-Arena, an open benchmark designed to evaluate this capability at professional scales. CV-Arena contains 12K high-resolution real-image instruction pairs spanning 16 instruction-based visual task types, constructed using CogRetriever, a dual-track retrieval-and-curation pipeline that combines targeted web search, agentic query refinement, verification, and traceability. To evaluate models at scale while preserving human fidelity, we propose Active Elo, a human-AI collaborative preference protocol that leverages CV-Judge, a logic-gated, multi-dimensional VLM evaluator, to reject clear failures and resolve high-confidence comparisons; and to route close, high-quality comparisons to expert raters. Mixed human and AI supervision is then aggregated through reliability-weighted Elo updates. Our comprehensive evaluation of 21 systems, including proprietary, open-source, and agentic models, on CV-Arena reveals persistent gaps in instruction adherence, physical reasoning, structural control, and fine-grained detail preservation. We further develop CV-Agent, a lightweight agentic model that combines planning, editing, and verification, and demonstrate that closed-loop reasoning is a promising direction for professional-grade instruction-following visual editing.
- Abstract（参考訳）: インストラクション誘導画像編集はビジュアルワークの一般的なインターフェースになりつつあるが、既存のベンチマークは見た目の細い編集に重点を置いており、プロのワークフローにおけるリアルタイムタスクの多様性を完全に捉えていない。
実際の入力画像と自然言語の命令が与えられた場合、システムは、明示的な保存、幾何学的、物理的、およびユーザビリティの制約を満たすことなく、要求された変換を実現する編集出力を生成する必要がある。
CV-Arenaは、プロの規模でこの能力を評価するために設計されたオープンベンチマークである。
CV-Arenaには16の命令ベースの視覚タスクタイプにまたがる12Kの高解像度のリアルタイム命令ペアが含まれており、CogRetrieverを使って構築されている。
ヒトの忠実さを保ちながら大規模にモデルを評価するために,論理ゲート型多次元VLM評価器CV-Judgeを活用した人間とAIの協調的嗜好プロトコルであるActive Eloを提案する。
そして、人間とAIの混在が、信頼性の高いEloアップデートによって集約される。
CV-Arenaのプロプライエタリ、オープンソース、エージェントモデルを含む21のシステムに対する包括的評価により、命令順守、物理的推論、構造制御、きめ細かい詳細保存の持続的なギャップが明らかとなった。
さらに、計画、編集、検証を組み合わせた軽量エージェントモデルCV-Agentを開発し、クローズループ推論がプロ級の命令追従ビジュアル編集の有望な方向であることを実証する。
関連論文リスト
- DrawAI: Agentic Benchmark and Workflow for Making Raster Images Editable [10.070492917829995]
本稿では,エージェントベンチマークであるDrawAI-Benchと再構築ワークフローであるDrawAI-Flowを紹介する。
画像から直接操作可能なアーティファクトを復元し、その視覚的・意味的な内容を保存する。
その結果,再現性やコストはモデルハーネス構成によって大きく異なるが,DrawAI-Flowは一貫して編集可能な構造を改善していることがわかった。
論文 参考訳（メタデータ） (2026-08-01T09:05:06Z) - GMO-E$^2$DIT: Grounded Multi-Operation Editing for E-Commerce Images [16.213122519512932]
実世界のeコマース画像編集には、グローバルリプライよりも複数の、ローカライズされた、監査可能な操作が必要となることが多い。
既存のワンショットエディタは、意図の解決、空間的接地、合成を1ステップに分割する。
GMO-E$2$DITは、視覚言語モデル(VLM)とマスク条件の画像エディタを結合して構成されたマルチターンタスク補完に取り組むエージェント編集フレームワークである。
論文 参考訳（メタデータ） (2026-07-01T13:23:45Z) - Rethinking Scribble-Guided Image Editing: Generalization, Instruction Adherence, and Multi-Tasking [14.173267480504842]
スクリブル誘導画像編集により、ユーザーは単純なスクリブルアノテーションとテキストプロンプトを組み合わせることで、画像の編集場所と編集方法の両方を指定できる。
既存のモデルは、特にマルチタスクシナリオにおいて、このパラダイムの下で不安定なパフォーマンスを示す。
オープンソース編集モデルを用いて実証的研究を行い、一般化における非対称性を明らかにする。
論文 参考訳（メタデータ） (2026-05-25T08:20:23Z) - CAMEO: A Conditional and Quality-Aware Multi-Agent Image Editing Orchestrator [8.901958956012072]
条件付き画像編集は、厳密な構造制御を必要とするシナリオにおいて不可欠である。
ほとんどのアプローチは単一ステップ生成に依存します。
我々は、条件付き編集を品質に配慮したフィードバック駆動プロセスとして再構成する構造化マルチエージェントフレームワーク、textbfCAMEOを提案する。
論文 参考訳（メタデータ） (2026-04-03T16:27:02Z) - How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing [56.60465182650588]
我々は,3段階の相互作用階層を導入し,決定的接地,形態的操作,因果推論を捉える。
本稿では,スケーラブルできめ細かい評価を実現するために,タスク固有のメトリクスを備えた堅牢なLMM-as-a-judge評価フレームワークを提案する。
プロプライエタリなモデルは早期の視覚指示追従能力を示し、一貫してオープンソースモデルを上回っていることがわかった。
論文 参考訳（メタデータ） (2026-02-02T09:24:45Z) - Image-POSER: Reflective RL for Multi-Expert Image Generation and Editing [16.943575863059607]
Image-POSERは、事前訓練されたテキスト・ツー・イメージの専門家とイメージ・ツー・イメージの専門家の多様なレジストリをオーケストレーションする。
動的タスクの分解を通じて、エンドツーエンドのプロンプトを処理します。
人間の評価において常に好まれる。
論文 参考訳（メタデータ） (2025-11-15T03:15:34Z) - EdiVal-Agent: An Object-Centric Framework for Automated, Fine-Grained Evaluation of Multi-Turn Editing [170.71134330650796]
EdiVal-Agentは、命令ベースの画像編集のためのオブジェクト指向評価フレームワークである。
標準のシングルターンだけでなく、マルチターンの命令ベースの編集を精度良く評価するように設計されている。
EdiVal-Benchは、インコンテキスト、フローマッチング、拡散パラダイムにまたがる9つの命令タイプと13の最先端編集モデルをカバーするベンチマークである。
論文 参考訳（メタデータ） (2025-09-16T17:45:39Z) - What Changed? Detecting and Evaluating Instruction-Guided Image Edits with Multimodal Large Language Models [88.398085358514]
DICEは、原画像と編集画像の局所的な差異を検出するために設計されたモデルである。
自己監督、塗布ネットワークからの蒸留、全監督を利用する戦略を用いて訓練されている。
DICEは一貫性のある編集を効果的に識別し、異なる編集モデルによって生成された画像を人間の判断と強く相関して効果的に評価する。
論文 参考訳（メタデータ） (2025-05-26T18:00:10Z) - Ranking-aware adapter for text-driven image ordering with CLIP [76.80965830448781]
本稿では,CLIPモデルを学習からランクへのタスクに再構成する,効率的かつ効率的な手法を提案する。
我々のアプローチは、ランキングの目的のために新しい指示に適応するための学習可能なプロンプトを取り入れている。
私たちのランキングアウェアアダプタは、様々なタスクにおいて微調整されたCLIPよりも一貫して優れています。
論文 参考訳（メタデータ） (2024-12-09T18:51:05Z) - PromptFix: You Prompt and We Fix the Photo [84.69812824355269]
言語モデルを備えた拡散モデルは、画像生成タスクにおいて優れた制御性を示す。
多様な命令追跡データの欠如は、モデルの開発を妨げている。
本稿では,人間の指示に従う拡散モデルを実現するフレームワークであるPromptFixを提案する。
論文 参考訳（メタデータ） (2024-05-27T03:13:28Z) - SSCR: Iterative Language-Based Image Editing via Self-Supervised Counterfactual Reasoning [69.93418696660785]
反復言語ベースの画像編集(IL-BIE)タスクは、段階的に画像を編集するための反復的な命令に従う。
データ不足は、命令ベースの変更前後の大規模な画像のサンプル収集が困難であるため、ILBIEにとって重要な問題である。
本稿では,データ不足を克服する対実的思考を取り入れたセルフスーパービジョンの対実的推論フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-21T01:45:58Z)
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。