論文の概要: UltraVR: A Diagnostic Ultra-Resolution Image-VQA Benchmark for Evidence-Grounded Reasoning

• arxiv url: http://arxiv.org/abs/2606.05576v1
• Date: Thu, 04 Jun 2026 01:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.479576
• Title: UltraVR: A Diagnostic Ultra-Resolution Image-VQA Benchmark for Evidence-Grounded Reasoning
• Title（参考訳）: UltraVR:Evidence-Grounded Reasoningのための診断用超解像-VQAベンチマーク
• Authors: Gexin Huang, Yanting Yang, Myeongkyun Kang, Beidi Zhao, Jun Zhou, Chen Zhou, Gang Wang, Zu-hua Gao, Xiaoxiao Li,
• Abstract要約: 我々は,超高解像度画像に対するエビデンスグラウンドの視覚的推論のための診断ベンチマークであるUltraVRを紹介する。 それぞれのインスタンスは、ステップレベルの質問、中間回答、推論ラベルを備えた、構造化された地道的な思考の連鎖を含んでいる。 現状のモデルは、超高解像度推論では信頼性に欠ける。
• 参考スコア（独自算出の注目度）: 32.37070955496229
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language models (VLMs) excel on visual question answering and multimodal reasoning benchmarks. Yet their capability on ultra-resolution images - where critical evidence is tiny, subtle, spatially distant, or distributed - remains unclear. Existing evaluations largely report final-answer accuracy, offering limited insight into whether models acquire and integrate the necessary visual evidence. We introduce UltraVR, a diagnostic benchmark for evidence-grounded visual reasoning over ultra-resolution images. UltraVR spans four high-value scenarios: CCTV surveillance, remote sensing (RS), whole-slide image (WSI) pathology, and industrial anomaly detection (AD). These domains pose complementary challenges: fine-grained object grounding in crowded CCTV scenes, long-range spatial comparison in RS, multi-scale evidence navigation in WSI, and subtle irregularity detection in repetitive industrial layouts. Beyond standard QA triples, each instance includes a structured ground-truth chain of thought with step-level questions, intermediate answers, and reasoning labels. These labels decompose reasoning into evidence grounding, local perception, quantification, evidence integration, and decision inference, enabling process-level diagnosis over black-box scoring. Using UltraVR, we evaluate frontier VLMs and show that current models remain far from reliable on ultra-resolution reasoning. Importantly, the structured annotations allow us to localize failures across the visual-to-decision pipeline: errors concentrate in evidence grounding and local perception, while downstream inference often recovers when intermediate visual facts are supplied. These findings demonstrate UltraVR as a diagnostic testbed for measuring not only whether VLMs answer correctly, but where their ultra-resolution reasoning process breaks.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、視覚的質問応答とマルチモーダル推論ベンチマークに優れる。 しかし、超高解像度画像(重要な証拠が小さく、微妙で、空間的に遠く、あるいは分散しているもの)におけるそれらの能力は、まだ不明である。 既存の評価は主に最終回答の正確さを報告し、モデルが必要な視覚的証拠を取得し、統合するかどうかについての限られた洞察を提供する。 我々は,超高解像度画像に対するエビデンスグラウンドの視覚的推論のための診断ベンチマークであるUltraVRを紹介する。 UltraVRは、CCTV監視、リモートセンシング(RS)、全スライド画像(WSI)病理学、産業異常検出(AD)の4つの高価値シナリオにまたがる。 これらのドメインは、混雑したCCTVシーンにおけるきめ細かい物体の接地、RSにおける長距離空間比較、WSIにおけるマルチスケールエビデンスナビゲーション、繰り返し産業配置における微妙な不規則検出といった相補的な課題を提起する。 標準のQAトリプル以外にも、各インスタンスはステップレベルの質問、中間回答、推論ラベルを備えた、構造化された地道的な思考の連鎖を含んでいる。 これらのラベルは、推論を根拠づけ、局所的な知覚、定量化、証拠の統合、決定推論に分解し、ブラックボックススコアよりもプロセスレベルの診断を可能にする。 我々は,UltraVRを用いてフロンティアVLMを評価し,現在のモデルが超高分解能推論の信頼性に程遠いことを示す。 重要なことは、構造化アノテーションによって、視覚的なパイプライン全体にわたって障害をローカライズすることができます: エラーは証拠の根拠と局所的な認識に集中する一方で、下流の推論は中間的な視覚的事実が供給されたときにしばしば回復します。 これらの結果から,VLMが正常に応答するかどうかだけでなく,超高分解能推論プロセスが壊れた場所での診断検査としてUltraVRが有用であることが示された。

関連論文リスト

• VISTAQA: Benchmarking Joint Visual Question Answering and Pixel-Level Evidence [26.0945130521806]
  既存のベンチマークでは、テキストによる回答の正当性または画素レベルのローカライゼーションを分離して評価している。 本稿では,視覚的質問応答に基づく自由形式の回答正当性と画素レベルの証拠を共同評価するためのベンチマークであるVISTAQAを紹介する。 GROVEは, テキストの精度と接地品質を, サンプルごとの幾何平均で組み合わせることで, 関節の正しさを強制する指標である。
  論文  参考訳（メタデータ） (2026-05-20T03:44:06Z)
• UHR-Micro: Diagnosing and Mitigating the Resolution Illusion in Earth Observation VLMs [40.3198846405438]
  VLM(Vision-Language Models)は、超高解像度(UHR)地球観測画像で動作する。 これらのモデルは、大規模なシーンコンテキストとマイクロスケールターゲットの間の深刻なスケールミスマッチに対して脆弱である。 11,253の命令を1,212のUHR画像にグラウンドしたベンチマークであるUHR-Microで、この課題をベンチマークする。
  論文  参考訳（メタデータ） (2026-05-12T15:07:30Z)
• 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)
• Divide-then-Diagnose: Weaving Clinician-Inspired Contexts for Ultra-Long Capsule Endoscopy Videos [83.01543151239254]
  我々は、診断駆動型CEビデオ要約という新しいタスクを定義する。 VideoCAPは、診断駆動アノテーションを備えた最初のCEデータセットである。 DiCEはクリニックにインスパイアされたフレームワークで、標準的なCE読み込みワークフローを反映している。
  論文  参考訳（メタデータ） (2026-04-23T16:07:51Z)
• Beyond a Single Frame: Multi-Frame Spatially Grounded Reasoning Across Volumetric MRI [22.439797107933355]
  本稿では,容積MRIを用いたマルチフレーム空間的推論のためのベンチマークSGMRI-VQAを紹介する。 各QAペアは、フレームインデックス付きバウンディングボックス座標を持つクリニック整列チェーン・オブ・シントトレースを含む。 境界ボックスによるQwen3-VL-8Bの微調整により,強いゼロショットベースラインのグラウンド化性能が一貫して向上することを示す。
  論文  参考訳（メタデータ） (2026-04-17T08:06:39Z)
• RVLM: Recursive Vision-Language Models with Adaptive Depth [0.1631115063641726]
  RVLMは単一パス推論を反復生成実行ループに置き換える。 すべての診断クレームは、監査性要件を満たす実行可能なコードに基礎を置いています。 Gemini 2.5 Flashを用いたBraTS 2023 Meningioma (脳MRI) とMIMIC-CXR (胸部X線) の評価を行った。
  論文  参考訳（メタデータ） (2026-03-25T11:52:55Z)
• XBench: A Comprehensive Benchmark for Visual-Language Explanations in Chest Radiography [6.447908430647854]
  胸部X線におけるクロスモーダル解釈性を評価するための最初の体系的ベンチマークを示す。 我々は,クロスアテンションと類似性に基づくローカライズマップを用いた視覚的説明を生成する。 複数の病理組織を横断する放射線診断領域とのアライメントを定量的に評価した。
  論文  参考訳（メタデータ） (2025-10-22T13:52:19Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)

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。