Fugu-MT 論文翻訳(概要): InsightVQA: High-Dimensional Emotion-Cognitive Visual Question Answering Benchmark

論文の概要: InsightVQA: High-Dimensional Emotion-Cognitive Visual Question Answering Benchmark

arxiv url: http://arxiv.org/abs/2606.02171v1
Date: Mon, 01 Jun 2026 12:30:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:32.002436
Title: InsightVQA: High-Dimensional Emotion-Cognitive Visual Question Answering Benchmark
Title（参考訳）: InsightVQA: 高次元感情認知型視覚質問応答ベンチマーク
Authors: Shiyu Wang, Ziyu Liu, Chaoyi Yu, Yujie Yin, Zhongqian Mao, Jing Chen, Jiaqi Song, Yunshi Lan, Yan Wang,
Abstract要約: 感情理解と認知的推論に基づく階層的視覚的質問応答のための大規模データセットである textbfInsightVQA を紹介する。 6つの公開ソースから収集された351K画像から構築し、厳密な多段フィルタリングパイプラインを用いて138K高信頼画像のキュレートを行う。その結果,InsightVQAは感情理解と推論に重要な課題をもたらすことが示された。
参考スコア（独自算出の注目度）: 17.031767707607493
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visual emotion understanding requires models not only to recognize emotional states, but also to why they arise and perform higher-level cognitive reasoning. However, existing benchmarks mainly focus on emotion recognition, offering limited support for grounded understanding and response-oriented analysis. To address this gap, we introduce \textbf{InsightVQA}, a large-scale dataset for hierarchical visual question answering on emotion understanding and cognitive reasoning. Building from 351K images collected from six public sources, we apply a rigorous multi-stage filtering pipeline to curate 138K high-confidence images. Each image is annotated at three hierarchical levels: perception QA for emotion and valence recognition, grounded understanding QA constructed from visual trigger extraction through constraint-guided generation, and cognition QA centered on response intent prediction and sequential insight reasoning. In total, InsightVQA contains 725K QA pairs. We further present \textbf{InsightVQA-Bench}, a high-quality evaluation benchmark comprising 30K samples for fine-grained evaluation. To support evaluation, we introduce \textbf{InsightNet}, an emotion-tuned baseline for MLLMs. Results demonstrate that InsightVQA poses significant challenges for grounded emotion understanding and reasoning.
Abstract（参考訳）: 視覚的感情理解は、感情状態を認識するだけでなく、それらがなぜ発生し、より高いレベルの認知的推論を実行するのかをモデルに要求する。しかし、既存のベンチマークは主に感情認識に重点を置いており、基盤的理解と応答指向の分析を限定的にサポートしている。このギャップに対処するために,感情理解と認知的推論に基づく階層的視覚的質問応答のための大規模データセットである \textbf{InsightVQA} を導入する。 6つの公開ソースから収集された351K画像から構築し、厳密な多段フィルタリングパイプラインを用いて138K高信頼画像のキュレートを行う。各画像は、感情と原子価の認識のための知覚QA、制約誘導生成による視覚的トリガー抽出から構築された基底的理解QA、応答意図予測と逐次的洞察推論を中心とした認知QAの3階層レベルで注釈付けされる。 InsightVQAには合計725万のQAペアが含まれている。さらに,30Kサンプルからなる高品質評価ベンチマークであるtextbf{InsightVQA-Bench}を提案する。評価を支援するために,MLLM の感情調整ベースラインである \textbf{InsightNet} を導入する。その結果,InsightVQAは感情理解と推論に重要な課題をもたらすことが示された。

関連論文リスト

VRIQ: Benchmarking and Analyzing Visual-Reasoning IQ of VLMs [3.8552182839941884]
視覚言語モデル(VLM)の視覚的推論能力の評価と解析を目的とした新しいベンチマークであるVRIQを紹介する。抽象的なパズルでは、性能は平均28%の精度でほぼランダムに保たれ、一方、自然タスクは45%の精度でより優れているが、それでも弱い結果が得られる。分析の結果,障害の約56%は知覚単独で発生し,43%は知覚と推論の両方から発生し,1%は推論単独から発生していることがわかった。
論文参考訳（メタデータ） (2026-02-05T07:07:27Z)
Seeing is Not Understanding: A Benchmark on Perception-Cognition Disparities in Large Language Models [9.870930749379932]
EmoBench-Redditは、マルチモーダル感情理解のための新しい階層型ベンチマークである。データセットは、ソーシャルメディアプラットフォームRedditから350の精巧にキュレートされたサンプルで構成されている。各データポイントには6つの複数選択の質問と、困難を増すための1つのオープンな質問がある。
論文参考訳（メタデータ） (2025-09-14T05:40:24Z)
Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。 TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
論文参考訳（メタデータ） (2025-07-10T17:59:58Z)
Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
論文参考訳（メタデータ） (2023-10-12T09:12:50Z)
Dynamic Clue Bottlenecks: Towards Interpretable-by-Design Visual Question Answering [58.64831511644917]
本稿では, モデル決定を中間的人間法的な説明に分解する設計モデルを提案する。我々は、我々の本質的に解釈可能なシステムは、推論に焦点をあてた質問において、同等のブラックボックスシステムよりも4.64%改善できることを示した。
論文参考訳（メタデータ） (2023-05-24T08:33:15Z)
IconQA: A New Benchmark for Abstract Diagram Understanding and Visual Language Reasoning [132.49090098391258]
IconQA(Icon Question Answering)の新たな課題を紹介する。 IconQAは107,439の質問と3つのサブタスクからなる大規模なデータセットである。さらに、377クラスに645,687色のアイコンを含むアイコンデータセットIcon645をリリースしました。
論文参考訳（メタデータ） (2021-10-25T18:52:26Z)
Coarse-to-Fine Reasoning for Visual Question Answering [18.535633096397397]
視覚質問応答(VQA)タスクにおいて,視覚的特徴と意味的手がかりのギャップを埋める新たな推論フレームワークを提案する。提案手法は,まず特徴を抽出し,画像と質問から述語を抽出する。次に、これらの特徴を効果的に学習し、粗大な方法で述語する新しい推論フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-06T06:29:52Z)
Neuro-Symbolic Visual Reasoning: Disentangling "Visual" from "Reasoning" [49.76230210108583]
本稿では,視覚的質問応答(VQA)の推論的側面をその知覚から分離し,評価する枠組みを提案する。また,不完全な知覚においても,モデルが推論問題に答えられるような,新しいトップダウンキャリブレーション手法を提案する。難易度の高いGQAデータセットでは、このフレームワークがよく知られたVQAモデル間の深い非絡み合いの比較に使用される。
論文参考訳（メタデータ） (2020-06-20T08:48:29Z)
SQuINTing at VQA Models: Introspecting VQA Models with Sub-Questions [66.86887670416193]
現状のVQAモデルでは、知覚や推論の問題に答える上で同等の性能を持つが、一貫性の問題に悩まされていることを示す。この欠点に対処するため、サブクエスト対応ネットワークチューニング(SQuINT)というアプローチを提案する。我々は,SQuINTがモデル一貫性を5%向上し,VQAにおける推論問題の性能も改善し,注意マップも改善したことを示す。
論文参考訳（メタデータ） (2020-01-20T01:02:36Z)

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。