論文の概要: EEG-EditBench: Probing Visual Information in EEG-Image Retrieval Models with Controlled Image Edits
- arxiv url: http://arxiv.org/abs/2607.27857v1
- Date: Thu, 30 Jul 2026 08:34:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.463782
- Title: EEG-EditBench: Probing Visual Information in EEG-Image Retrieval Models with Controlled Image Edits
- Title（参考訳）: EEG-EditBench: 制御画像編集による脳波画像検索モデルにおける視覚情報探索
- Abstract要約: EEG-EditBenchは、EEGビジュアルデコーディングモデルを評価するための診断ベンチマークである。
品質管理された2,137の編集が含まれ、8つの代表的な脳波視覚復号モデルを評価する。
以上の結果から,強い標準検索が常に編集ベース評価に移行しないことが示唆された。
- 参考スコア（独自算出の注目度）: 45.8110073586908
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent EEG-to-image retrieval models have achieved strong performance in identifying viewed images from semantically diverse candidates. Yet such success does not reveal what visual information supports the match. A model may readily identify a cheetah among tools, plants, and vehicles, but can it still distinguish the viewed cheetah from the same scene with the cheetah replaced by a dog? Motivated by this question, we introduce EEG-EditBench, a diagnostic benchmark that examines this question through controlled edits of object identity, attributes, background, and object presence. Built from the 200 THINGS-EEG2 test images, EEG-EditBench contains 2,137 quality-controlled edits and evaluates eight representative EEG visual decoding models. Our results show that strong standard retrieval does not consistently transfer to edit-based evaluation, with fine-grained attribute changes presenting the greatest challenge. EEG-EditBench reveals model behavior hidden by aggregate retrieval accuracy and provides a controlled basis for studying what visual information EEG-image models preserve. The code and complete dataset are publicly available.
- Abstract（参考訳）: 近年の脳波画像検索モデルでは, セマンティックな多種多様な候補から視像を識別する上で, 高い性能を達成している。
しかし、このような成功は、その一致をサポートする視覚情報を明らかにしない。
モデルでは、チーターを道具、植物、車両間で容易に識別することができるが、それでも見られているチーターを同じシーンと区別することができ、チーターを犬に置き換えることができるだろうか?
この質問に触発されたEEG-EditBenchは、オブジェクトのアイデンティティ、属性、背景、およびオブジェクトの存在を制御した編集を通じて、この問題を検証する診断ベンチマークである。
200 THINGS-EEG2テストイメージから構築されたEEG-EditBenchは、品質管理された2,137の編集を含み、8つの代表的なEEGビジュアルデコーディングモデルを評価する。
以上の結果から,高精細な属性変化が最大の課題であることを示すとともに,高精細な標準検索が常に編集ベース評価に移行しないことが示唆された。
EEG-EditBenchは、集約検索精度によって隠されたモデル挙動を明らかにし、脳波画像モデルが保持する視覚情報を研究するための制御された基盤を提供する。
コードと完全なデータセットが公開されている。
関連論文リスト
- ReasonEdit: Towards Interpretable Image Editing Evaluation via Reinforcement Learning [86.61218827780675]
本稿では,テキスト誘導画像編集のための評価ツールReasonEditを紹介する。
Re-Reward と Group Relative Policy Optimization (GRPO) アルゴリズムから得られる報奨信号を用いて訓練する。
高品質な解釈可能な評価テキストを生成することができ、画像編集の透明性と信頼性を高めることができる。
論文 参考訳（メタデータ） (2026-05-08T09:23:26Z) - Uncovering Entity Identity Confusion in Multimodal Knowledge Editing [58.07263295190384]
マルチモーダル知識編集は、展開後の大規模視覚言語モデルの内部知識を補正することを目的としている。
エンティティ・アイデンティティ・コンフュージョン(EIC)と呼ばれる編集モデルにおけるシステム障害モードを同定する。
論文 参考訳（メタデータ） (2026-05-07T12:14:54Z) - DLEBench: Evaluating Small-scale Object Editing Ability for Instruction-based Image Editing Model [10.609050605838805]
本稿では,IIEMの小型オブジェクト編集能力を評価するための最初のベンチマークであるDeepLookEditBenchを紹介する。
7つの命令タイプにわたる1889のサンプルからなる挑戦的なテストベッドを構築した。
これらのサンプルでは、ターゲットオブジェクトは画像領域の1%-10%しか占めておらず、部分閉塞や複数オブジェクト編集といった複雑なシナリオをカバーしている。
10個のIIEMの実証的な結果から、小規模オブジェクト編集における大きなパフォーマンスギャップが明らかとなり、この機能を前進させるための特別なベンチマークの必要性が浮かび上がっている。
論文 参考訳（メタデータ） (2026-02-27T02:59:34Z) - Charts Are Not Images: On the Challenges of Scientific Chart Editing [66.38730113476677]
textitFigEditは、3万以上のサンプルからなる科学的フィギュア編集のベンチマークである。
私たちのベンチマークでは、ピクセルレベルの操作の重大な制限が示されています。
textitFigEdit をリリースすることにより,構造対応図形編集の体系的な進歩の実現を目指す。
論文 参考訳（メタデータ） (2025-11-30T06:13:48Z) - SpotEdit: Evaluating Visually-Guided Image Editing Methods [3.5066378196008636]
SpotEditは、視覚的に誘導された画像編集方法を評価するために設計された包括的なベンチマークである。
我々のベンチマークには幻覚の専用コンポーネントが含まれており、GPT-4oのような主要なモデルが視覚的キューの存在を幻覚し、誤って編集タスクを実行するかを強調している。
論文 参考訳（メタデータ） (2025-08-25T16:08:57Z) - What Changed? Detecting and Evaluating Instruction-Guided Image Edits with Multimodal Large Language Models [88.398085358514]
DICEは、原画像と編集画像の局所的な差異を検出するために設計されたモデルである。
自己監督、塗布ネットワークからの蒸留、全監督を利用する戦略を用いて訓練されている。
DICEは一貫性のある編集を効果的に識別し、異なる編集モデルによって生成された画像を人間の判断と強く相関して効果的に評価する。
論文 参考訳（メタデータ） (2025-05-26T18:00:10Z) - ImgEdit: A Unified Image Editing Dataset and Benchmark [14.185771939071149]
大規模な画像編集データセットであるImgEditを紹介した。
ImgEditはタスクノベルティとデータ品質の両方で既存のデータセットを上回っている。
画像編集性能を評価するためのベンチマークであるImgEdit-Benchを紹介する。
論文 参考訳（メタデータ） (2025-05-26T17:53:33Z) - GIE-Bench: Towards Grounded Evaluation for Text-Guided Image Editing [60.66800567924348]
テキスト誘導画像編集モデルを評価するための新しいベンチマークを導入する。
このベンチマークには、20種類のコンテンツカテゴリにわたる高品質な編集例が1000以上含まれている。
我々は、GPT-Image-1をいくつかの最先端編集モデルと比較する大規模な研究を行っている。
論文 参考訳（メタデータ） (2025-05-16T17:55:54Z) - NECOMIMI: Neural-Cognitive Multimodal EEG-informed Image Generation with Diffusion Models [0.0]
NECOMIMIは、高度な拡散モデルを用いて、脳波信号から直接画像を生成する新しいフレームワークを導入した。
提案したNERV EEGエンコーダは、複数のゼロショット分類タスクにまたがる最先端(SoTA)性能を示す。
我々は、脳波画像評価に適した新しい指標としてCATスコアを導入し、 ThingsEEGデータセット上でベンチマークを確立する。
論文 参考訳（メタデータ） (2024-10-01T14:05:30Z)
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。