論文の概要: Open-KNEAD: Knowledge-grounded Nutrition Estimation via Agentic Decomposition
- arxiv url: http://arxiv.org/abs/2607.12911v1
- Date: Tue, 14 Jul 2026 15:48:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.216592
- Title: Open-KNEAD: Knowledge-grounded Nutrition Estimation via Agentic Decomposition
- Title（参考訳）: Open-KNEAD:エージェント分解による知識基盤栄養推定
- Abstract要約: 食事栄養推定のための知識基盤型エージェントフレームワークであるOpen-KNEADについて紹介する。
Open-KNEADは、以前の基底法とほとんどのバックボーン・データセット設定での直接推定の両方よりも、部分推定を改善している。
- 参考スコア（独自算出の注目度）: 9.38434232095379
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal Large Language Models (MLLMs) are increasingly used for dietary assessment from meal images, where retrieval-augmented grounding was shown to sharpen nutrition estimates. However, we find this premise no longer holds for current MLLMs. A modern MLLM's direct estimate now matches or surpasses the full retrieval pipeline. This raises a question: if retrieval no longer improves the overall estimate, can it still deliver the two things clinicians value, accurate portions and a traceable, item-by-item record? We pursue this while preserving what matters for clinical adoption: minimal user burden (a single, unannotated meal image), explainability (an auditable record), and privacy (locally hosted inference). We introduce Open-KNEAD, a knowledge-grounded agentic framework for meal nutrition estimation that is training-free and locally deployable. Each decomposed food item is grounded to a Food and Nutrient Database for Dietary Studies (FNDDS) code via selective, nutrient-aware retrieval, composing an auditable per-item record. Across two open MLLM families and three cuisines, Open-KNEAD improves portion estimates over both prior grounding methods and direct estimation in most backbone-dataset settings. An agent-internal recipe-prior step further recovers the invisible cooking-added energy that biases estimates on non-US cuisine. The advantage is largest on the dietitian-verified ACETADA dataset, where the local open agent surpasses the direct portion estimates of two frontier closed models by roughly $30\%$ and $53\%$, all while keeping every meal image on local hardware. We release the Open-KNEAD framework and its agent-ready FNDDS knowledge base.
- Abstract（参考訳）: マルチモーダル大規模言語モデル (MLLM) は食事画像からの食事評価にますます使われており, 食事推定の精度を高めるために, 検索増強接地が示された。
しかし、この前提はもはや現在のMLLMには当てはまらない。
現代のMLLMの直接推定値は現在、完全な検索パイプラインと一致または超えている。
もし検索が全体の見積もりを改善できなくなったら、クリニックの価値と正確な部分、そして追跡可能なアイテム単位の記録を、まだ提供できるのだろうか?
本研究は, 患者負担の最小化(単一で注釈なしの食事画像), 説明可能性(監査可能な記録), プライバシ(ローカルにホストされた推論)など, 臨床応用における重要な事項を保存しながらこれを追求する。
食事栄養推定のための知識基盤型エージェントフレームワークであるOpen-KNEADについて紹介する。
各分解食品は、選択的栄養学的検索を通じて食品栄養データベース(FNDDS)コードに接地され、監査可能な1石当たりの記録を構成する。
2つのオープンMLLMファミリーと3つの料理の中で、Open-KNEADは、以前の接地法とほとんどのバックボーン・データセット設定における直接推定の両方よりも、部分推定を改善している。
エージェント・インナーレシピ・プライアステップは、非米国料理の見積をバイアスする目に見えない調理付加エネルギーを更に回復させる。
ここでは、ローカルオープンエージェントが2つのフロンティアクローズドモデルの直接的な部分推定を約30 %$と5,3 %$で上回り、すべての食事イメージをローカルハードウェア上に保持する。
我々はOpen-KNEADフレームワークとそのエージェント対応FNDDS知識ベースをリリースする。
関連論文リスト
- OmniFood-Bench: Evaluating VLMs for Nutrient Reasoning and Personalized Health Advice [4.592259709047762]
MM-Food-100Kデータセットから構築した総合ベンチマークであるOmniFood-Benchを紹介する。
我々は6つの最先端大視野モデル(VLM)を評価する。
モデルは皿の命名においてほぼ人間に近い精度を達成するが、大量推定において破滅的な失敗を示し、高リスク糖尿病のプロファイルに対する良心的アドバイスを頻繁に幻覚させる。
論文 参考訳（メタデータ） (2026-07-09T12:46:00Z) - OmniFood8K: Single-Image Nutrition Estimation via Hierarchical Frequency-Aligned Fusion [32.43875223470578]
既存の食品データセットのほとんどは、主に西洋料理に焦点を当てており、中国の料理を十分に網羅していない。
我々は8,036個の食品サンプルからなる総合マルチモーダルデータセットであるOmniFood8Kを紹介する。
本稿では,1枚のRGB画像から栄養予測を行うためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-14T06:45:32Z) - Introducing the Swiss Food Knowledge Graph: AI for Context-Aware Nutrition Recommendation [0.0]
スイス食品知識グラフ(SwissFKG)は、栄養データ、栄養制限、アレルゲン情報、栄養ガイドラインを1つのグラフの下にまとめる最初の資料である。
我々の研究は、視覚的、文脈的、文化的な食の次元をブレンドする次世代の食事アセスメントツールの基礎を築いた。
論文 参考訳（メタデータ） (2025-07-14T11:12:30Z) - Comprehensive Evaluation of Large Multimodal Models for Nutrition Analysis: A New Benchmark Enriched with Contextual Metadata [16.03960240895014]
栄養分析のための食事画像にはLMM(Large Multimodal Models)が適用されてきている。
本研究は、文脈メタデータの解釈が、重要な栄養価を推定する際のLMM性能をいかに向上させるかを検討する。
実験結果から, 即時的プロンプト戦略によりメタデータをインテリジェントに統合すると, 栄養価の予測値において, 平均絶対誤差 (MAE) と平均絶対誤差 (MAPE) が著しく減少することが示された。
論文 参考訳（メタデータ） (2025-07-09T17:10:33Z) - RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。
Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。
本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
論文 参考訳（メタデータ） (2024-07-17T16:49:34Z) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - FoodLMM: A Versatile Food Assistant using Large Multi-modal Model [96.76271649854542]
大規模マルチモーダルモデル(LMM)は多くの視覚言語タスクにおいて顕著な進歩を遂げている。
本稿では,多機能なLMMに基づく多目的食品アシスタントであるFoodLMMを提案する。
本稿では,食品の栄養価と複数のセグメンテーションマスクを予測するために,一連の新しいタスク固有のトークンとヘッドを導入する。
論文 参考訳（メタデータ） (2023-12-22T11:56:22Z) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳（メタデータ） (2023-11-20T11:05:20Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳（メタデータ） (2023-09-14T13:29:41Z) - Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。
米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。
提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
論文 参考訳（メタデータ） (2022-06-05T02:41:44Z) - An Artificial Intelligence-Based System to Assess Nutrient Intake for
Hospitalised Patients [4.048427587958764]
入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。
本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
論文 参考訳（メタデータ） (2020-03-18T15:28:51Z)
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。