論文の概要: No Place to Hide: Benchmarking Video Hallucination with Background-Controlled Pairs

• arxiv url: http://arxiv.org/abs/2606.31933v1
• Date: Tue, 30 Jun 2026 16:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.315718
• Title: No Place to Hide: Benchmarking Video Hallucination with Background-Controlled Pairs
• Title（参考訳）: 隠れる場所がない: 背景を調整したペアでビデオの幻覚をベンチマークする
• Abstract要約: 大型ビデオモデル(LVM)におけるビデオ幻覚評価のための新しいベンチマークであるVidPair-Hallucを紹介する。 VidPair-Hallucは、非常に類似した背景を持つビデオペアを特徴としている。
• 参考スコア（独自算出の注目度）: 42.45038085846714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce VidPair-Halluc, a new benchmark for evaluating video hallucination in large video models (LVMs) under rigorous and controlled conditions. Unlike previous benchmarks that primarily rely on text-based perturbations or adversarial questions while neglecting the consistency of visual backgrounds, VidPair-Halluc features video pairs with highly similar backgrounds but distinctly different foreground semantics, enabling precise attribution of model errors to genuine hallucination rather than background variation. The benchmark is constructed through PairFlow, a pipeline that leverages recent advances in text-to-image and video generation to systematically compose stories, generate coherent video clips, and assemble them into adversarial pairs. Covering both spatial and temporal reasoning across ten semantic aspects, VidPair-Halluc comprises 1K high-quality adversarial video pairs and 11K spatio-temporal QA pairs with control over background and foreground variations. Evaluations on mainstream LVMs show persistent difficulty with robust fine-grained video understanding in adversarial settings, and code and data are available at the https://jethrojames.github.io/VidPair-Halluc/.
• Abstract（参考訳）: 我々は、厳密で制御された条件下で、大型ビデオモデル(LVM)におけるビデオ幻覚を評価するための新しいベンチマークであるVidPair-Hallucを紹介する。 VidPair-Hallucは、背景の一貫性を無視しながら、テキストベースの摂動や逆問題に主に依存する以前のベンチマークとは異なり、非常に類似した背景を持つビデオペアを特徴としている。 このベンチマークは、テキスト・トゥ・イメージとビデオ生成の最近の進歩を活用して、ストーリーを体系的に構成し、一貫性のあるビデオクリップを生成し、それらを対向的なペアに組み立てるパイプラインであるPairFlowを通じて構築されている。 VidPair-Hallucは、空間的および時間的推論を10つの意味的側面にわたってカバーし、1Kの高品質な対角ビデオペアと、1Kの時空間QAペアで構成され、背景と前景の違いを制御している。 メインストリームのLVMの評価は、敵対的な設定で堅牢なきめ細かいビデオ理解が困難であることを示しており、コードとデータはhttps://jethrojames.github.io/VidPair-Halluc/で公開されている。

関連論文リスト

• The Shape of Time: Video-Token Contrast for Temporal Understanding in VideoLMs [21.75029303199712]
  本稿では,VTコントラスト(VT-Contrast)を提案する。 その設計は、時間的監督の行動と、それが公開すべき時間的差異を問うものである。 VT-Contrastは選択したラストフレームビデオトークンを監督する。
  論文  参考訳（メタデータ） (2026-09-03T17:14:55Z)
• CounterVid: Counterfactual Video Generation for Mitigating Action and Temporal Hallucinations in Video-Language Models [66.56549019393042]
  ビデオ言語モデル(VLM)は、強いマルチモーダル理解を実現するが、特に行動や時間秩序を推論する場合、幻覚を起こす傾向にある。 本稿では,シーンコンテキストを保ちながら,アクションや時間構造が異なる映像を合成する,対物映像生成のためのスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T10:03:07Z)
• Taming Hallucinations: Boosting MLLMs' Video Understanding via Counterfactual Video Generation [37.975475053907545]
  MLLM(Multimodal Large Language Models)はビデオ理解において顕著な進歩を遂げている。 それらは重大な脆弱性に悩まされる: 言語先行への過度な依存であり、視覚的に根拠のない幻覚を引き起こす可能性がある。 制御可能な拡散型ビデオ編集を利用する新しいデータ合成フレームワークであるDualityForgeを紹介する。
  論文  参考訳（メタデータ） (2025-12-30T14:53:33Z)
• AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation [58.844504598618094]
  本稿では、被験者駆動ビデオ生成のための明示的なタイムスタンプ条件付きフレームワークAlcheMinTを提案する。 提案手法では,時間間隔の符号化を解き放つ新しい位置符号化機構を導入する。 我々は、視覚的アイデンティティとビデオキャプションの結合を強化するために、主観記述型テキストトークンを導入し、世代間あいまいさを緩和する。
  論文  参考訳（メタデータ） (2025-12-11T18:59:34Z)
• TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models [75.42002690128486]
  TemporalBenchは、ビデオの微細な時間的理解を評価するための新しいベンチマークだ。 ビデオクリップの時間的ダイナミクスを詳述した2Kの高品質な人間のアノテーションから派生した10KのビデオQ&Aペアで構成されている。 GPT-4oのような最先端のモデルは、TemporalBench上で38.5%の質問応答精度しか達成していない。
  論文  参考訳（メタデータ） (2024-10-14T17:59:58Z)
• Exploring Pre-trained Text-to-Video Diffusion Models for Referring Video Object Segmentation [72.90144343056227]
  ビデオ理解タスクのためのテキスト・ツー・ビデオ拡散モデル(T2V)から生成した視覚的表現について検討する。 固定されたT2Vモデル上に構築された専用コンポーネントを備えた新しいフレームワーク「VD-IT」を紹介する。 我々のVD-ITは、既存の最先端手法を超越して、非常に競争力のある結果を得る。
  論文  参考訳（メタデータ） (2024-03-18T17:59:58Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)

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。