論文の概要: DiCoBench: Benchmarking Multi-Image Fine-Grained Perception via Differential and Commonality Visual Cues
- arxiv url: http://arxiv.org/abs/2606.26602v1
- Date: Thu, 25 Jun 2026 05:02:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.159868
- Title: DiCoBench: Benchmarking Multi-Image Fine-Grained Perception via Differential and Commonality Visual Cues
- Title（参考訳）: DiCoBench: 差分と共通性によるマルチイメージファイングラインド知覚のベンチマーク
- Abstract要約: DiCoBenchは、きめ細かい知覚のための包括的でマルチイメージの高解像度のベンチマークである。
評価の結果,人的精度 (98.3%) と比較して顕著な性能差がみられた。
DiCoBenchは、自律的で高解像度のマルチイメージ知覚における将来の研究を促進するための、挑戦的なテストベッドとして機能すると考えています。
- 参考スコア（独自算出の注目度）: 54.31138496553705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in Multimodal Large Language Models (MLLMs) have demonstrated impressive fine-grained perception capabilities. However, existing benchmarks predominantly rely on explicit textual cues or low-resolution inputs, failing to evaluate a model's ability to autonomously perceive implicit visual cues in high-resolution. To bridge this gap, we introduce DiCoBench, a comprehensive, multi-image high-resolution benchmark designed for cross-image fine-grained perception. DiCoBench consists of 765 meticulously curated samples categorized into two progressive tracks: Differential Visual Cues and Commonality Visual Cues, covering 8 distinct perception tasks. By formulating the benchmark as a multiple-choice question task and utilizing high-resolution imagery (approaching 2K), we eliminate evaluation metric bias and pose a substantial challenge to current state-of-the-art MLLMs. Our extensive evaluation of 18 diverse MLLMs reveals a striking performance gap compared to human accuracy (98.3\%), with top-performing models struggling significantly with micro-scale detail capture. We believe DiCoBench will serve as a challenging testbed to drive future research in autonomous, high-resolution multi-image perception.
- Abstract（参考訳）: MLLM(Multimodal Large Language Models)の最近の進歩は、印象的な微粒化認識能力を示している。
しかし、既存のベンチマークは主に明示的なテキストの手がかりや低解像度の入力に依存しており、高解像度で暗黙的な視覚的手がかりを自律的に知覚する能力の評価に失敗している。
このギャップを埋めるために、私たちはクロスイメージの微妙な知覚のために設計された包括的でマルチイメージの高解像度ベンチマークであるDiCoBenchを紹介します。
DiCoBenchは、765の精巧にキュレートされたサンプルを2つのプログレッシブなトラックに分類している。
ベンチマークを多重選択質問タスクとして定式化し、高解像度画像(2Kの適用)を活用することにより、評価基準バイアスを排除し、現在最先端のMLLMに重大な課題を提起する。
18種類のMLLMを広範囲に評価したところ、人間の精度 (98.3\%) と比較して顕著な性能差がみられた。
DiCoBenchは、自律的で高解像度のマルチイメージ知覚における将来の研究を促進するための、挑戦的なテストベッドとして機能すると考えています。
関連論文リスト
- WorldBench: A Challenging and Visually Diverse Multimodal Reasoning Benchmark [85.74548332724977]
複数のドメインにまたがって数千の視覚概念の分類を構築します。
我々はフロンティアMLLMが答えられない挑戦的な質問を手動で設計する。
WorldBenchは、既存のさまざまなベンチマークよりも高い視覚的多様性を実現している。
論文 参考訳（メタデータ） (2026-06-04T01:11:21Z) - DiffCap-Bench: A Comprehensive, Challenging, Robust Benchmark for Image Difference Captioning [26.88130913151649]
画像差分キャプション(IDC)は、2つの画像の違いを正確に識別する言語記述を生成する。
DiffCap-Benchは10の異なるカテゴリをカバーする総合的なIDCベンチマークである。
また,人間の有意差分リストに基づくLCM-as-a-Judge評価プロトコルを提案する。
論文 参考訳（メタデータ） (2026-05-06T05:12:41Z) - Indexing Multimodal Language Models for Large-scale Image Retrieval [15.19064519873711]
MLLM(Multimodal Large Language Models)は、強力なクロスモーダル推論能力を示しているが、視覚のみのタスクの可能性はまだ未定である。
本研究では,MLLMをインスタンスレベルの画像・画像検索のための訓練不要類似度推定器として検討する。
提案手法は,画像のペア化を促進し,次点確率を類似度スコアに変換し,大規模検索パイプライン内でゼロショットの再ランク付けを可能にする。
論文 参考訳（メタデータ） (2026-04-14T19:59:36Z) - MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models [89.89575486159795]
マルチイメージコンテキスト生成のためのベンチマークである textbfMICON-Bench を導入する。
本稿では,意味的および視覚的整合性の自動検証のためのMLLM駆動型評価-Checkpointフレームワークを提案する。
また、推論中に注意を動的に調整し、コヒーレンスを高め、幻覚を減らす訓練不要なプラグアンドプレイ機構であるtextbfDynamic Attention Rebalancing (DAR) を提案する。
論文 参考訳（メタデータ） (2026-02-23T04:32:52Z) - More Images, More Problems? A Controlled Analysis of VLM Failure Modes [80.64323947730905]
大規模視覚言語モデル (LVLM) は目覚ましい能力を示しているが、複数の画像に対する理解と推論の能力は未解明のままである。
LVLMのマルチイメージ能力を厳格に評価する新しいベンチマークMIMICを紹介する。
論文 参考訳（メタデータ） (2026-01-12T18:45:13Z) - QG-CoC: Question-Guided Chain-of-Captions for Large Multimodal Models [50.51641024244313]
本稿では,複数の画像を扱う場合の視覚的情報処理について検討する。
そこで本研究では,新たなゼロショットプロンプト手法であるQG-CoC(QG-CoC)を提案する。
マルチイメージおよびシングルイメージベンチマークのための各種オープンソースおよびクローズドソースMLLMについて評価を行った。
論文 参考訳（メタデータ） (2025-11-05T05:49:48Z) - Calibrating MLLM-as-a-judge via Multimodal Bayesian Prompt Ensembles [20.7718577645105]
マルチモーダル・大規模言語モデル (MLLM) はテキスト・ツー・イメージ(TTI)生成システムの評価にますます利用されている。
これらの「ジャッジ」モデルは、様々な画像領域にまたがるバイアス、過信、一貫性のないパフォーマンスに悩まされることが多い。
MMB(Multimodal Mixture-of-Bayesian Prompt Ensembles)と呼ばれる新しいマルチモーダル認識手法を提案する。
論文 参考訳（メタデータ） (2025-09-10T17:06:47Z) - VOILA: Evaluation of MLLMs For Perceptual Understanding and Analogical Reasoning [63.0285363282581]
MLLM(Multimodal Large Language Models)は、視覚情報とテキスト情報を統合するための強力なツールとなっている。
本稿では,MLLMの知覚的理解と抽象的関係推論を評価するためのベンチマークVOILAを紹介する。
我々は,現在のMLLMが画像間関係の理解に苦慮し,高レベルの関係推論において限られた能力を示すことを明らかにした。
論文 参考訳（メタデータ） (2025-02-25T23:36:19Z)
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。