論文の概要: Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models
- arxiv url: http://arxiv.org/abs/2606.02742v1
- Date: Mon, 01 Jun 2026 18:06:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.527641
- Title: Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models
- Title（参考訳）: 一貫性に欠ける:空間的視覚-言語モデルにおけるエビデンス非感受性
- Authors: S Divakar Bhat, Toshihiko Yamasaki,
- Abstract要約: 現代の視覚言語モデル(VLM)は、計量距離クエリでは信頼できないままである。
我々は,Hypersim,ScanNet,KITTI360から構築したマルチビュー評価プロトコルであるtextbfViewDiagを紹介する。
安定な予測は、証拠に敏感な推論よりも先駆的な崩壊を反映している可能性が示唆された。
- 参考スコア（独自算出の注目度）: 29.66841995436342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial reasoning is fundamental to robotics, autonomy, and embodied AI, yet modern vision-language models (VLMs) remain unreliable on metric distance queries. A common assumption is that consistent predictions across viewpoints reflect geometric grounding. We test this assumption and find the opposite: leading VLMs often produce view-invariant and consistent answers even when those answers are incorrect, indicating weak coupling between predictions and viewpoint-specific visual evidence. We introduce \textbf{ViewDiag}, a controlled multi-view evaluation protocol built from Hypersim, ScanNet, and KITTI360, comprising 176 object-pair tracks across 80 scenes with 2--10 views per track. The protocol evaluates models along three axes: metric accuracy, distributional concentration, and a latent feature probe for internal collapse that distinguishes decision collapse from representation collapse. Across diverse models, we observe a consistent pattern of high prediction stability paired with substantial error, clustering in a regime characterized by strong consistency but low accuracy. \noindent These results challenge the common use of cross-view consistency as a proxy for geometric understanding. Instead, we show that stable predictions may reflect prior-driven collapse rather than evidence-sensitive reasoning. ViewDiag provides a controlled benchmark and diagnostic framework for evaluating spatial VLMs beyond accuracy alone. The code and data can be found \href{https://github.com/SDivakarBhat/Consistent_Yet_Wrong.git}{here}
- Abstract（参考訳）: 空間推論はロボティクス、自律性、そして具体化されたAIの基本であるが、現代の視覚言語モデル(VLM)は計量距離クエリでは信頼できないままである。
一般的な仮定は、視点を越えた一貫した予測は幾何学的接地を反映しているということである。
先導的なVLMは、その答えが間違っていても、しばしばビュー不変で一貫した答えを生成し、予測と視点特異的な視覚的証拠の弱い結合を示す。
本稿では,Hypersim,ScanNet,KITTI360をベースとした多視点評価プロトコルである‘textbf{ViewDiag}を紹介した。
このプロトコルは、計量精度、分布濃度、および決定崩壊と表現崩壊を区別する内部崩壊のための潜在特徴プローブの3つの軸に沿ったモデルを評価する。
様々なモデルにおいて、高い予測安定性とかなりの誤差、強い一貫性と低い精度を特徴とする状態のクラスタリングという一貫したパターンを観察する。
これらの結果は、幾何学的理解のためのプロキシとして、クロスビュー一貫性の共通利用に挑戦する。
むしろ、安定した予測は、証拠に敏感な推論よりも、先駆的な崩壊を反映している可能性がある。
ViewDiagは、精度だけで空間的VLMを評価するための、制御されたベンチマークと診断フレームワークを提供する。
コードとデータは \href{https://github.com/SDivakarBhat/Consistent_Yet_Wrong.git}{here} で確認できる。
関連論文リスト
- Why Far Looks Up: Probing Spatial Representation in Vision-Language Models [44.01280555484389]
視覚言語モデル(VLM)は空間推論ベンチマークにおいて高い性能を達成する。
しかし、これが構造化された3D理解の反映なのか、あるいは自然画像の統計的ショートカットに依存しているのかは不明だ。
空間軸がどのように構成されているかを測定するために,最小のコントラスト対を構成する表現レベル分析フレームワークを導入する。
論文 参考訳（メタデータ） (2026-05-28T16:18:01Z) - Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation? [4.120238673372104]
半教師付き学習は、アノテーションのコストを削減する主要なパラダイムとなっている。
現在の進歩は2倍の過信問題によって曇っていると我々は主張する。
本稿では,二軸信頼性評価エンジン上に構築した三空間原理分割フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T08:16:40Z) - ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。
本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
論文 参考訳（メタデータ） (2026-04-27T10:45:51Z) - Learning Uncertainty from Sequential Internal Dispersion in Large Language Models [52.29267172760918]
不確実性推定は、大規模言語モデルにおける幻覚を検出するための有望なアプローチである。
最近の手法は一般に不確実性を推定するために内部状態のモデルに依存する。
本稿では,教師付き幻覚検出フレームワークであるシークエンシャル内部変数表現(SIVR)を提案する。
論文 参考訳（メタデータ） (2026-04-17T06:31:29Z) - K$α$LOS finds Consensus: A Meta-Algorithm for Evaluating Inter-Annotator Agreement in Complex Vision Tasks [4.297070083645049]
本稿では,「ローカライゼーションファースト」の原理を一般化した統一メタアルゴリズムであるK$LOSを提案する。
合意を査定する前に空間対応を解消することにより,複雑な分類問題を名目上の信頼性に変換する。
論文 参考訳（メタデータ） (2026-03-28T08:54:05Z) - SURE: Semi-dense Uncertainty-REfined Feature Matching [28.68008638977835]
SUREは、一致と信頼を共同で予測する半密度不確実性再定義マッチングフレームワークである。
我々のアプローチは、軽量な空間融合モジュールとともに、信頼に値する座標回帰のための新しい明らかな頭部を軌道に乗せる。
提案手法は精度と効率の両面で既存の最先端のセミセンスマッチングモデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-03-05T06:53:11Z) - Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。
このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
論文 参考訳（メタデータ） (2026-02-06T12:24:26Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Test-Time Consistency in Vision Language Models [26.475993408532304]
VLM(Vision-Language Models)は、様々なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。
MM-R3のような最近のベンチマークでは、最先端のVLMでさえ意味論的に等価な入力にまたがって分岐予測をもたらすことが強調されている。
教師付き再学習なしにセマンティックな一貫性を高める,シンプルで効果的なテスト時間一貫性フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-27T17:09:44Z) - VisFIS: Visual Feature Importance Supervision with
Right-for-the-Right-Reason Objectives [84.48039784446166]
モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。
我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。
説明が妥当で忠実な場合には予測がより正確になる。
論文 参考訳（メタデータ） (2022-06-22T17:02:01Z)
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。