論文の概要: Imaging-101: Benchmarking LLM Coding Agents on Scientific Computational Imaging
- arxiv url: http://arxiv.org/abs/2607.10789v1
- Date: Sun, 12 Jul 2026 14:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.530223
- Title: Imaging-101: Benchmarking LLM Coding Agents on Scientific Computational Imaging
- Title（参考訳）: Imaging-101:Science Computational ImagingにおけるLCM符号化エージェントのベンチマーク
- Abstract要約: 我々は、6つの科学領域にまたがる57の専門的な計算画像タスクのベンチマークである Imaging-101 を紹介した。
3つの評価トラック(計画、機能レベルの単体テスト、エンドツーエンドの再構築)は、完全なパイプライン全体にわたって異なるエージェント能力を探索する。
- 参考スコア（独自算出の注目度）: 9.890461939894694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational imaging, which recovers hidden signals from indirect, noisy measurements, underpins quantitative discovery across scientific disciplines, yet building a correct reconstruction pipeline demands deep domain expertise and remains laborious even for domain scientists. We introduce Imaging-101, a benchmark of 57 expert-verified computational imaging tasks spanning six scientific domains, each grounded in a peer-reviewed paper and canonicalized into a standardized four-stage pipeline (preprocessing, forward physics modeling, inverse solver, and visualization) Three evaluation tracks (planning, function-level unit tests, and end-to-end reconstruction) probe distinct agent capabilities across the full pipeline. Evaluating seven frontier LLMs uncovers systematic challenges in applying coding agents to computational imaging that go beyond those exposed by general coding benchmarks, spanning algorithm selection, physical convention handling, and pipeline integration. These findings highlight concrete capability gaps and point toward skill-augmented, domain-specialized agents as a practical path to reliable computational imaging assistance.
- Abstract（参考訳）: 間接的なノイズ測定から隠れた信号を復元する計算画像は、科学的分野の定量的発見を支えるが、適切な再構築パイプラインを構築するためには、深いドメインの専門知識が必要であり、ドメイン科学者にとっても熱心である。
我々は、6つの科学的領域にまたがる57のエキスパート検証された計算画像タスクのベンチマークである Imaging-101 を紹介し、それぞれがピアレビューされた論文に基礎を置き、標準化された4段階のパイプライン(前処理、フォワード物理モデリング、逆ソルバ、可視化)に標準化された。
7つのフロンティアLSMを評価することで、一般的なコーディングベンチマークによって公開されているもの、アルゴリズムの選択、物理コンベンションハンドリング、パイプライン統合を超えて、コーディングエージェントを計算画像に適用する際の体系的な課題が明らかになった。
これらの知見は、信頼性の高い画像処理支援への実践的な道筋として、具体的能力ギャップと、スキル強化されたドメイン特化エージェントへの転換点を浮き彫りにしている。
関連論文リスト
- Does AI Understand Imaging? A Systematic Benchmark of Agentic AI for Computational Imaging Tasks [3.146480929844211]
視覚言語モデル(VLM)とエージェントAIは、セマンティックビジュアルタスクに強いパフォーマンスを示している。
計算画像の根底にある物理問題や逆問題に対処できるかどうかはまだ不明である。
我々は5つのカテゴリにまたがる20の計算画像処理タスクのベンチマークである ImagingBench を提示する。
論文 参考訳（メタデータ） (2026-07-08T09:23:56Z) - SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks [73.92333717662558]
SpaceWorldは、複雑な現実世界のタスクにおけるマルチモーダルエージェントのインタラクティブな空間的理解を評価するためのベンチマークである。
多様なドメイン(例えば、家庭のルーチン、旅行、社会協力など)にまたがる760の人称タスクが特徴である。
信頼性評価のために、各タスクは、人間検証された初期状態、参照軌跡、端末状態検証器を含む。
論文 参考訳（メタデータ） (2026-06-08T15:51:51Z) - Can Coding Agents Reproduce Findings in Computational Materials Science? [49.254975563645786]
本稿では,大規模言語モデルの科学的主張を再現する能力を評価するためのベンチマークであるAutoMatを紹介する。
課題を専門とする専門家と緊密に連携することで、実際の材料科学論文からの一連の主張をキュレートし、コーディングエージェントがエンドツーエンドのワークフローを回復し実行できるかどうかを検証します。
結果、現在のLSMベースのエージェントはAutoMatの全体的な成功率を低くし、最も優れた設定は54.1%に過ぎなかった。
論文 参考訳（メタデータ） (2026-05-01T17:42:12Z) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。
RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。
我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
論文 参考訳（メタデータ） (2025-09-11T06:15:52Z) - Computational Imaging for Enhanced Computer Vision [0.0]
本稿では,コンピュータビジョン(CV)応用における計算画像(CI)技術とその変換的影響を包括的に調査する。
従来のイメージング手法では、低照度、動きのぼやけ、高ダイナミックレンジといった困難な条件下で、高忠実度な視覚データを提供できない。
光場イメージング、高ダイナミックレンジ(ブルーリング)イメージング、デブロアリング、高速イメージング、グラア緩和などの計算イメージング技術は、これらの制限に対処する。
論文 参考訳（メタデータ） (2025-09-10T16:02:42Z) - Rewards-based image analysis in microscopy [2.906546126874626]
イメージングとハイパースペクトルデータの分析は、生物学、医学、化学、物理学などの科学分野において重要である。
現在、このタスクは、認知、空間サンプリング、キーポイント検出、特徴生成、クラスタリング、次元減少、物理に基づく非畳み込みといった複雑な人間設計の反復的なステップに依存している。
過去10年間の機械学習の導入により、教師なし学習によるイメージセグメンテーションやオブジェクト検出、教師なし手法による次元削減といったタスクが加速した。
ここでは、専門家による意思決定の原則を採用し、強い伝達学習を示す報酬ベースの進歩について論じる。
論文 参考訳（メタデータ） (2025-02-23T19:19:38Z) - Estimating Task-based Performance Bounds for Accelerated MRI Image Reconstruction Methods by Use of Learned-Ideal Observers [7.765750378590293]
画像計測に作用する理想的なオブザーバ(IO)の性能は、画像システムの最適化の指針として長年議論されてきた。
IOパフォーマンスの推定は、アンダーサンプリングされたデータ取得テクニックを設計する際の貴重なガイダンスを提供することができる。
論文 参考訳（メタデータ） (2025-01-16T01:09:30Z) - High-Resolution Vision Transformers for Pixel-Level Identification of
Structural Components and Damage [1.8923948104852863]
視覚変換器とラプラシアピラミッドスケーリングネットワークに基づくセマンティックセグメンテーションネットワークを開発した。
提案手法は,橋梁検査報告画像のデータセットに関する総合的な実験を通じて評価されている。
論文 参考訳（メタデータ） (2023-08-06T03:34:25Z) - Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。
このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。
問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文 参考訳（メタデータ） (2022-06-03T15:56:51Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z)
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。