論文の概要: SADL: What to Ignore? A Benchmark for Subject-Aware Distractor Localization

• arxiv url: http://arxiv.org/abs/2606.30393v1
• Date: Mon, 29 Jun 2026 14:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.286897
• Title: SADL: What to Ignore? A Benchmark for Subject-Aware Distractor Localization
• Title（参考訳）: SADL: Ignoreとは何か?
• Abstract要約: 本報告では,対象を意識したインタラプタローカライゼーションのための,最初の実世界ベンチマークであるtextscSADLを紹介する。 本研究では,7つのプロプライエタリかつオープンウェイトなVision-Language Models (VLM) を,イントラクタ分類の逐次パイプライン上で評価する。 解析の結果, VLM は乱れを識別する能力が高いが, 過度に適用できないため, スケールにおいて真の乱れを体系的に抑制できることがわかった。
• 参考スコア（独自算出の注目度）: 10.44217098567612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photographs frequently contain \emph{visual distractors} besides foregrounds and backgrounds of the intended subject, competing for attention and weakening composition. While modern editing tools streamline object removal, identifying which objects to remove remains a mostly manual process. Existing saliency models and open-vocabulary detectors operate without subject awareness, failing to adapt to shifting user intent. Furthermore, context-agnostic removal may disrupt the scene's semantic coherence (e.g., keep the person but remove the chair they are sitting on). To address these limitations, we formalize the task of subject-aware distractor localization, which identifies distractors while retaining compositionally essential objects. This paper introduces \textsc{SADL}, the first real-world benchmark for this task, comprising 1,800 subject-aware cases across 1,000 photographs to enable systematic evaluation and facilitate future research. In total, there are 14,617 annotated candidates, including a robust set of 1,938 hard negatives to stress-test exclusion calibration. We evaluate seven proprietary and open-weight Vision-Language Models (VLMs) on a sequential pipeline of distractor classification followed by exclusion filtering, structured around five inclusion factors and three contextual exclusion rules. Our analysis reveals that VLMs are highly capable of identifying distractors, but then over-apply exclusion, which systematically suppresses true distractors at scale. By exposing this critical bottleneck, \textsc{SADL} provides a foundational diagnostic tool to advance subject-conditioned reasoning in multimodal systems.
• Abstract（参考訳）: 写真には、対象者の前景や背景に加えて、注目と弱体化を競う「emph{visual distractors}」がしばしば含まれている。 現代的な編集ツールはオブジェクトの削除を合理化するが、どのオブジェクトを削除すべきかを識別することは、主に手作業のプロセスである。 既存のサリエンシモデルとオープンボキャブラリ検出器は、主観的認識なしに動作し、ユーザの意図の変化に適応できない。 さらに、文脈に依存しない除去はシーンのセマンティック・コヒーレンスを損なう可能性がある(例えば、人物を維持するが、座っている椅子を外す)。 これらの制約に対処するため、本研究は、構成上不可欠なオブジェクトを保持しながら、インタラプタを識別する、主観認識型インタプタローカライゼーションのタスクを定式化する。 本稿では,1000枚の写真に1,800件の被写体認識事例を含む,このタスクのための最初の実世界ベンチマークである「textsc{SADL}」を紹介する。 合計14,617のアノテート候補があり、その中にはストレス-テストの排除校正に対する1,938の強い負の強いセットが含まれている。 我々は,5つの包摂要因と3つの文脈的排他規則によって構成された,トラクタ分類の逐次パイプライン上で,プロプライエタリかつオープンウェイトなVLM(Vision-Language Models)を7つ評価した。 解析の結果, VLM は乱れを識別する能力が高いが, 過度に適用できないため, スケールにおいて真の乱れを体系的に抑制できることがわかった。 この重要なボトルネックを露呈することで, マルチモーダルシステムにおける主観的推論を促進するための基礎的診断ツールを提供する。

関連論文リスト

• Would You Walk to the Car Wash? Revealing the Salience Bias of Large Language Models in Commonsense Reasoning [19.177595059532557]
  モデルが無用な明示的な邪魔者によって簡単にハイジャックされることを示し、タスクの暗黙的な物理的あるいは常識的な前提を無視します。 重要なオープンな疑問は、この失敗がコモンセンス知識の真のギャップを反映しているか、それとも誤解を招くタスクフレーミングの下で単にその抑制を反映しているかである。 この結果から,モデル能力から導入までのコモンセンス推論失敗のボトルネックが解消され,この盲点に対するテストベッドとしてSaliTrapがリリースされた。
  論文  参考訳（メタデータ） (2026-07-30T16:30:08Z)
• DistractMIA: Black-Box Membership Inference on Vision-Language Models via Semantic Distraction [9.614855021411351]
  視覚言語モデル(VLM)は、プライベート、著作権、その他の機密データを含む大規模な画像テキストコーパスで訓練される。 本研究では,意味的注意散らしに基づく出力専用ブラックボックスフレームワークDistractMIAを提案する。 DistractMIAは元のイメージを保存し、既知のセマンティックイントラクタを挿入し、生成したレスポンスがどのように変化するかを測定する。
  論文  参考訳（メタデータ） (2026-05-12T12:04:11Z)
• Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
  大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。 これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。 既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
  論文  参考訳（メタデータ） (2026-05-09T14:32:36Z)
• S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection [55.34086214300803]
  部分的なインスタンスのみをラベル付けするSAOOD(sparsely annotated object detection)という新しい設定を導入する。 具体的には,(1)前景表現に過度に適合するスパースラベリング,(2)未ラベルオブジェクト(偽陰性)が特徴学習を混乱させる,という2つの課題に焦点をあてる。 そこで本稿では,S$2$Teacherを提案する。S$2$Teacherは,非ラベルオブジェクトの擬似ラベルを,手軽から硬まで段階的にマイニングし,前景表現を強化する手法である。
  論文  参考訳（メタデータ） (2025-04-15T11:57:00Z)
• From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
  現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。 本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。 私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-02-09T10:30:54Z)
• Distilling Spectral Graph for Object-Context Aware Open-Vocabulary Semantic Segmentation [47.047267066525265]
  画像にオブジェクトレベルの文脈知識を取り入れた新しいアプローチを導入する。 提案手法は,多種多様なデータセットにまたがる高い一般化性を有する最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-11-26T06:34:48Z)
• Towards End-to-End Unsupervised Saliency Detection with Self-Supervised Top-Down Context [25.85453873366275]
  トップダウンコンテキストを介し、自己教師付きエンドツーエンドの有能なオブジェクト検出フレームワークを提案する。 最も深い特徴から自己ローカライゼーションを生かして位置マップを構築し,最も指導的なセグメンテーション指導を学習する。 提案手法は,近年のエンド・ツー・エンド手法と,多段階ソリューションの大部分において,先行的な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-14T08:43:22Z)
• Few-shot Object Detection in Remote Sensing: Lifting the Curse of Incompletely Annotated Novel Objects [23.171410277239534]
  物体検出のための自己学習型FSOD (ST-FSOD) アプローチを提案する。 提案手法は,様々なFSOD設定における最先端性能を大きなマージンで向上させる。
  論文  参考訳（メタデータ） (2023-09-19T13:00:25Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Towards Real-World Prohibited Item Detection: A Large-Scale X-ray Benchmark [53.9819155669618]
  本稿では,PIDrayと命名された大規模データセットについて述べる。 大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。 提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
  論文  参考訳（メタデータ） (2021-08-16T11:14:16Z)
• Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection [184.563345153682]
  我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。 メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。 提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
  論文  参考訳（メタデータ） (2020-04-09T17:57:09Z)

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。