論文の概要: Anchored, Not Graded: Vision-Language Models Fail at Slant-from-Texture Perception

• arxiv url: http://arxiv.org/abs/2606.06714v1
• Date: Thu, 04 Jun 2026 21:03:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.445245
• Title: Anchored, Not Graded: Vision-Language Models Fail at Slant-from-Texture Perception
• Title（参考訳）: Anchored, not graded: Vision-Language Models Fail at Slant-from-Texture Perception
• Authors: Qian Zhang, Michal Golovanevsky, Fulvio Domini, James Tompkin,
• Abstract要約: 以前の研究では、教師なしCNNはいくつかの人間のようなバイアスを再現する一方で、教師なしCNNは再現しないことが示された。 複数のVLMファミリとモデルスケール、ゼロショットとインコンテキストをまたがって、どちらも固有の障害を発生させる。 高レベルの視覚言語ベンチマークの成功は、低レベルの幾何学的手がかりに対する感度を必要としないかもしれないが、我々は、アンカーを表現から出力言語インターフェースの失敗と解釈する。
• 参考スコア（独自算出の注目度）: 8.39647512327011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human perception of surface slant from texture exhibits systematic, graded biases that emerge reliably in psychophysical experiments. Prior work showed that unsupervised CNNs reproduce several human-like biases, while supervised CNNs do not. Do Vision-Language Models (VLMs) exhibit similar competences? Across multiple VLM families and model scales, zero-shot and in-context prompting both produce distinctive failures: slant is predicted at only a small set of anchors (e.g., 0\degree, $\pm$25\degree, $\pm$45\degree) with little dependence on stimulus field of view, optical slant, or surface curvature. Supervised fine-tuning partially remediates the failure, but residual anchoring persists. While success in high-level vision-language benchmarks might not require sensitivity to low-level geometric cues, we interpret anchoring as a failure at the representation-to-output language interface: Not necessarily an absence of geometric encoding, but a failure to express it in a graded form.
• Abstract（参考訳）: テクスチャから表面スラントの人間の知覚は、精神物理学実験で確実に現れる、系統的、段階的な偏見を示す。 以前の研究では、教師なしCNNはいくつかの人間のようなバイアスを再現する一方で、教師なしCNNは再現しないことが示された。 VLM(Vision-Language Models)も同様の能力を示すか? 複数のVLMファミリーとモデルスケールにまたがって、ゼロショットとインコンテキストの両方に特有の障害が生じる:スラントは、視界の刺激場、光学スラント、表面曲率にほとんど依存せず、少数のアンカー(例えば、0度、$\pm$25度、$\pm$45度)でのみ予測される。 監視された微調整は部分的に障害を修復するが、残りのアンカーは持続する。 高レベルの視覚言語ベンチマークの成功は、低レベルの幾何学的手がかりに対する感受性を必要としないかもしれないが、我々は、アンカリングを表現から出力言語インターフェースの失敗であると解釈する。

関連論文リスト

• Unveiling the Visual Counting Bottleneck in Vision-Language Models [49.591496870141846]
  この研究は視覚的数え上げを3つの認知段階(視覚的識別、大きさ認識、象徴的マッピング)に分解する。 合成Go基板と線形プローブを用いて、視覚的バックボーンは、外挿系にしっかりと、線形に分離可能な量表現を保っていることを示す。 我々は、崩壊をシンボルマッピングステージに向ける。そこでは、モデルがシンボルトークンに有効な視覚的大きさを投影することに失敗する。
  論文  参考訳（メタデータ） (2026-05-28T16:20:29Z)
• When Language Overwrites Vision: Over-Alignment and Geometric Debiasing in Vision-Language Models [4.309108879640932]
  VLM(Vision-Language Models)は、より強力な高感度アプリケーションである。 定期的に幻覚を呈し、入力に存在しない内容について自信を持って記述する。 これらの障害モードを幾何学的オーバーアライメントにトレースする。 本稿では,トレーニングフリー推論戦略とバイアス対応微調整パラダイムの2つの補完策を提案する。
  論文  参考訳（メタデータ） (2026-05-07T10:09:18Z)
• Beyond Shortcuts: Mitigating Visual Illusions in Frozen VLMs via Qualitative Reasoning [14.700305370711973]
  凍結したビジョンランゲージモデルにおける視覚的グラウンドの強化を目的とした,トレーニングフリーでデータ中心のフレームワークを提案する。 我々のフレームワークは、DataCV 2026 Challenge (Task I: Classic Illusion Understanding)で評価され、総合2位にランクインした。 我々の成功は、次世代のイリュージョンに耐性のある視覚言語システムを開発するための堅牢なパラダイムとして、構造化定性的接地の可能性を示している。
  論文  参考訳（メタデータ） (2026-04-29T03:12:29Z)
• Understanding Degradation with Vision Language Model [56.09241449206817]
  視覚的劣化を理解することは、コンピュータビジョンにおいて重要な問題であるが、難しい問題である。 本稿では,教師付き微調整と強化学習を併用したマルチモーダル・チェーン・オブ・ソート・モデルであるDU-VLMを紹介する。 また,110,000個のクリーン劣化ペアと接地された物理アノテーションからなる大規模データセットである textbfDU-110k も導入した。
  論文  参考訳（メタデータ） (2026-02-04T13:51:15Z)
• Investigate the Low-level Visual Perception in Vision-Language based Image Quality Assessment [7.969076042774561]
  低レベルの歪み知覚タスクを導入し、モデルが特定の歪みタイプを分類する必要がある。 解析の結果,MLLMは構造的にそのような歪みを表現できるが,トレーニングテンプレートに適合しがちであることがわかった。 視覚エンコーダのアライメントを改善することで、歪み認識精度が劇的に向上し、14.92%から84.43%に向上することを示す。
  論文  参考訳（メタデータ） (2025-12-10T12:06:47Z)
• Collapsed Language Models Promote Fairness [88.48232731113306]
  偏りのある言語モデルはトークン表現と単語埋め込みの間に崩壊したアライメントを示す。 我々は,幅広い脱バイアス法において,公平性を効果的に向上する原理的な微調整法を設計する。
  論文  参考訳（メタデータ） (2024-10-06T13:09:48Z)
• Revisiting the Role of Language Priors in Vision-Language Models [90.0317841097143]
  視覚言語モデル(VLM)は、微調整なしで、ゼロショット方式で様々な視覚的理解タスクに適用される。 我々は、画像から次の単語を生成するために訓練された$textitgenerative VLMs$について研究する。 画像テキスト検索の図解的タスクにおけるゼロショット性能を,8つの人気のある視覚言語ベンチマークで検証する。
  論文  参考訳（メタデータ） (2023-06-02T19:19:43Z)

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。