論文の概要: Evaluating VLMs for Autonomous Agent-Driven Geometry Clipping Detection in Video Game QA
- arxiv url: http://arxiv.org/abs/2607.25921v1
- Date: Tue, 28 Jul 2026 16:10:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.915169
- Title: Evaluating VLMs for Autonomous Agent-Driven Geometry Clipping Detection in Video Game QA
- Title（参考訳）: ビデオゲームQAにおける自律エージェント駆動幾何クリッピング検出のためのVLMの評価
- Abstract要約: エージェント駆動型ゲーム品質保証パイプラインにおける異常検出における視覚言語モデル(VLM)の利用について検討した。
我々は、ゼロショットプロンプト設定下で6つの最近のVLMをベンチマークし、その感度を4つのプロンプト変種に解析する。
以上の結果から,VLMは幾何学的クリッピングに関連する視覚的手がかりを捉えることができるが,視覚的不明瞭なフレームに対して有意な偽陽性が生じることが示唆された。
- 参考スコア（独自算出の注目度）: 6.404338288187941
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we study the use of Vision-Language Models (VLMs) for anomaly detection in an agent-driven game Quality Assurance (QA) pipeline focusing on geometry clipping. In this evaluation, a custom exploration agent navigates a game level to collect visual observations, while the automatic annotation pipeline provides frame-level clipping labels. This setup allows us to evaluate recent VLMs on a controlled anomaly detection task without manual annotation. We benchmark six recent VLMs (Gemini, GPT, Qwen, Gemma, Llama, and Ministral) under a zero-shot prompting setting and analyse their sensitivity to four prompt variants. Our results show that while the VLMs can capture visual cues associated with geometry clipping, they all produce substantial false positives on visually ambiguous frames such as near-contact geometry and partial occlusions. Gemini-3.1-Flash achieves the best overall accuracy and is the most robust to prompt variation, while open-source models exhibit large precision--recall swings depending on the prompt design. These findings suggest that current VLMs are best suited as high-recall candidate filters within multi-stage QA pipelines rather than as standalone bug detectors.
- Abstract（参考訳）: 本研究では,エージェント駆動型ゲーム品質保証(QA)パイプラインにおける異常検出における視覚言語モデル(VLM)の利用について検討する。
この評価では、カスタム探索エージェントがゲームレベルをナビゲートして視覚的な観察を収集し、自動アノテーションパイプラインはフレームレベルのクリッピングラベルを提供する。
この設定により、手動のアノテーションを使わずに制御された異常検出タスクにおいて、最近のVLMを評価することができる。
我々は、ゼロショットプロンプト設定の下で、最近の6つのVLM(Gemini, GPT, Qwen, Gemma, Llama, Ministral)をベンチマークし、その感度を4つのプロンプト変種に解析する。
以上の結果から,VLMは幾何学的クリッピングに関連する視覚的手がかりを捉えることができるが,ほぼ接触形状や部分閉塞といった視覚的不明瞭なフレームに対して有意な偽陽性を生じさせることがわかった。
Gemini-3.1-Flashは全体的な精度が最高で、変更を早めるのに最も頑丈である。
これらの結果から,現在のVLMは,独立したバグ検出装置としてではなく,多段階QAパイプライン内のハイリコール候補フィルタとして最適であることが示唆された。
関連論文リスト
- Parser-Free VLM Verification for Federated Weakly Supervised Video Anomaly Detection [0.27998963147546135]
本稿では,クライアント間で小型のMILスコアラーのみを訓練する軽量なMIL-VLMカスケードを導入し,凍結したVLMはハイスコアな疑似セグメントをポストホックで検証する。
解析されたテキスト生成決定と、次の確率から連続的な異常スコアを抽出するロジットベースインタフェースの2つのVLMフィードバックインタフェースについて検討する。
対照的に、ロジットインタフェースは、フレームレベルのAUCとフレームレベルのAPの両方を、両方のVLMでMILベースライン上で改善する固定自由信号を提供する。
論文 参考訳（メタデータ） (2026-09-07T13:04:00Z) - ReflexTrack: A Feedback-Driven Agent for Training-Free Referring Video Object Segmentation [63.38679125666075]
オブジェクトセグメンテーション(RVOS)を参照するには、ビデオを通して自然言語で指定されたターゲットをセグメンテーションする必要がある。
近年のエージェントアプローチでは,タスク固有のトレーニングなしでRVOSを実行するために,マルチモーダルな大規模言語モデルと迅速なセグメンテーションモデルを組み合わせている。
トレーニング不要でフィードバック駆動型エージェントであるReflexTrackを導入し、空間的および時間的両方のレベルでループを閉じる。
論文 参考訳（メタデータ） (2026-07-27T07:39:20Z) - Beyond Scene Priors: Fine-Grained Traffic Scene Reasoning with Benchmarking and Query-Guided Small-Object Focus [21.376452292092836]
我々は、FGTR-BenchとTSR-MLLM(Text-Guided Small-Object Reasoning MLLM)を提案する。
FGTR-Benchは、マルチエージェント生成、一貫性チェック、専門家監査を通じて作成される40,236のシングルイメージのMultiple-Choice Questions (MCQ)で構成されている。
Qwen3-VL-4B上に構築されたTSR-MLLMは、クエリ条件付きテキストガイド型小型オブジェクトフォーカス(TG-SOF)マップを使用して証拠の希釈を解決する。
論文 参考訳（メタデータ） (2026-07-05T07:27:02Z) - Employing Vision-Language Models for Face Image Quality Assessment [0.023141219541346198]
顔画像品質評価(FIQA)はバイオメトリックパイプラインにおいて重要な制御ステップである。
最先端のFIQA法は高い実用性を達成するが、通常「ブラックボックス」として機能する
ゼロショット環境でFIQAを実行することにより,このギャップを埋めるため,市販のビジョンランゲージモデル(VLM)の可能性を検討する。
論文 参考訳（メタデータ） (2026-05-17T14:57:52Z) - ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。
本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
論文 参考訳（メタデータ） (2026-04-27T10:45:51Z) - AutoVQA-G: Self-Improving Agentic Framework for Automated Visual Question Answering and Grounding Annotation [7.909534692798243]
接地データセットで応答する高品質な視覚的質問のマニュアルアノテーションは、視覚-投機モデルの前進に不可欠である。
既存の自動メソッドは、しばしば2つの重要な問題によって妨げられる。
本稿では,自動VQA-Gアノテーションのための自己改善型エージェントフレームワークであるAutoVQA-Gを紹介する。
論文 参考訳（メタデータ） (2026-04-19T15:22:00Z) - RESP: Reference-guided Sequential Prompting for Visual Glitch Detection in Video Games [12.71084447285112]
視覚言語モデル(VLM)を用いたゲームプレイグリッチ検出のための実用的多フレームフレームワークRESPを提案する。
各テストフレームに対して、同じビデオの早期から参照フレームを選択し、視覚的ベースラインを確立する。
RESPは、VLMを微調整することなく、ノイズの多いフレーム予測を安定したビデオレベル決定に集約する。
論文 参考訳（メタデータ） (2026-04-13T07:04:15Z) - How Far Can VLMs Go for Visual Bug Detection? Studying 19,738 Keyframes from 41 Hours of Gameplay Videos [41.46982669196867]
長めのゲームプレイのためのビデオベースの品質保証(QA)は、労働集約的でエラーを起こしやすい。
近年のベンチマークでは、視覚言語モデル(VLM)は、キュレートされたデータセットの視覚的グリッチの検出において、有望な結果が得られることが示唆されている。
論文 参考訳（メタデータ） (2026-03-24T01:59:06Z) - Visually Prompted Benchmarks Are Surprisingly Fragile [82.98001690512461]
VLMを評価する上で重要な課題は、視覚コンテンツをテキストから独立して分析する能力をテストすることである。
ビジュアルマーカーの設計やデータセットサイズなど,ベンチマーク設定の詳細が,モデルパフォーマンスやリーダボードのランキングに大きく影響していることを実証する。
この不安定性を軽減するため、既存のデータセットをキュレートして16のビジュアルマーカーのバリエーションを備えた、より大きな視覚的にトリガーされたベンチマークであるVPBenchを作成します。
論文 参考訳（メタデータ） (2025-12-19T18:26:58Z) - MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。
AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。
提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T06:34:29Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - DetToolChain: A New Prompting Paradigm to Unleash Detection Ability of MLLM [81.75988648572347]
DetToolChainはマルチモーダル大言語モデル(MLLM)のゼロショットオブジェクト検出能力を解き放つ新しいパラダイムである。
提案手法は,高精度検出にヒントを得た検出プロンプトツールキットと,これらのプロンプトを実装するための新しいChain-of-Thoughtから構成される。
DetToolChainを用いたGPT-4Vは,オープン語彙検出のための新しいクラスセットにおいて,最先端のオブジェクト検出器を+21.5%AP50で改善することを示す。
論文 参考訳（メタデータ） (2024-03-19T06:54:33Z)
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。