論文の概要: Image-Space Rule Discovery

• arxiv url: http://arxiv.org/abs/2608.00490v1
• Date: Sat, 01 Aug 2026 07:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.724353
• Title: Image-Space Rule Discovery
• Title（参考訳）: 画像空間ルール発見
• Abstract要約: 我々は、11のコアタスクを持つ画像空間規則探索ベンチマークであるWISRDを、8つの情報条件下で導入する。 評価されたフロンティア画像編集モデルの中で、Nano Banana Proが最も高いスコアを得た。 解析により、現在の画像編集モデルはレンダリングされた画像内命令に部分的に依存できることが明らかになった。
• 参考スコア（独自算出の注目度）: 14.735490881899018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can image-editing models discover visual rules in image space and complete problem-solving end-to-end? We tackle this question in the spirit of a human worksheet test (e.g., an IQ test), using problems that require models to read image-based instructions, recognize the problem, infer the answer, bind it to the correct destination, control output count, suppress unnecessary edits, and preserve the input and format. We introduce WISRD, a Worksheet Image-Space Rule Discovery benchmark with 11 core tasks under eight information conditions, spanning localized marking, filling, copying, counting, and no-edit suppression, together with four supplementary reasoning-stress probes for multi-step spatial manipulation, abstract pattern reasoning, logical inference, and constraint-based problem solving. We identify three key findings as follows. (i) Among the frontier image-editing models evaluated, Nano Banana Pro achieves the highest score. On the shared V0--V3 no-reference subset, the Auto-Strict proxy pass rates are 48.7% for Nano Banana Pro, 13.4\% for Qwen-Image-Edit, 11.5% for FLUX.2 Klein 4B API, 11.3% for FLUX.2 Klein 4B open-weight, and 0.0% for InstructPix2Pix. (ii) Analysis reveals that current image-editing models can partially rely on rendered in-image instructions even when the external prompt is absent or merely generic. (iii) In small supplementary diagnostics, Nano Banana Pro achieves 70.0% on 4-by-4 Sudoku and 22.9% on public RAVEN pattern-discovery items in image space.
• Abstract（参考訳）: 画像編集モデルは画像空間における視覚的規則を発見できるのか? 我々は,人間のワークシートテスト(例えばIQテスト)の精神において,画像ベースの命令を読み,問題を認識し,回答を推測し,適切な宛先に結合し,出力数を制御し,不要な編集を抑え,入力とフォーマットを保存しなければならない問題を用いてこの問題に取り組む。 WISRDは,マルチステップ空間操作,抽象パターン推論,論理推論,制約に基づく問題解決のための4つの補足的推論-ストレスプローブとともに,局所的なマーキング,フィリング,コピー,カウント,非編集の抑制にまたがる8つの情報条件下で,11つのコアタスクを備えたワークシートイメージ-スペースルール探索ベンチマークである。 主な発見は以下の3つである。 (i)評価したフロンティア画像編集モデルのうち,Nano Banana Proが最も高いスコアを得た。 共有V0--V3ノン参照サブセットでは、Nano Banana Proが48.7%、Qwen-Image-Editが13.4%、FLUX.2が11.5%である。 Klein 4B API、FLUX.2で11.3% Klein 4Bはオープンウェイト、InstructPix2Pixは0.0%。 (ii)解析の結果,現在の画像編集モデルは外部プロンプトが欠如している場合や単にジェネリックである場合でも,画像内命令に部分的に依存できることがわかった。 3)小さな補充診断では,Nano Banana Proは4-by-4 Sudokuで70.0%,パブリックなRAVENパターン発見項目では22.9%を達成している。

関連論文リスト

• HALDETECT at ImageEval 2026 Shared Tasks: Answer-First Contrastive Grounding with QLoRA [0.0]
  本稿では,ImageEval 2026の英語幻覚検出トラック(Task 1b)のシステムであるHALDETECTについて述べる。 我々は、その項目を1つの対照的な決定として、その説明の前に回答を出力し、色/テクスチャ、形/形、コンテキストに関する構造的推論を行う。 最良入力アダプタQwen2.5-VL-7B-Instruct with 4bit QLoRA while frozen the vision encoder and reach Contrastive Instability (CI) 0.035 on the 1000-item test set。
  論文  参考訳（メタデータ） (2026-09-10T08:35:29Z)
• MedQA-MM: Shortcuts Behind Medical Visual Reasoning [45.333881843709804]
  ベンチマークスコアは最終回答を信用するが、アイテムが答えられるルートではない。 医用マルチモーダル多重選択質問(MCQ)では、適切な回答が意図された画像発見によって支持されるため、この区別が重要である。 ここでは、ルートは、モデルの隠れた認識に関するクレームではなく、回答の選択をサポートすることができる観測可能な入力パスである。
  論文  参考訳（メタデータ） (2026-09-03T01:40:19Z)
• Benchmarking Frontier Text-to-Image Models on Image-Description Prompts [0.4078247440919473]
  我々は,Hunyuan 3.0,Gemini 3 Pro Image(Nano Banana Pro),Black Forest Labs FLUX.2,Ideogram 3.0の4つの生産用テキスト・ツー・イメージシステムを評価した。
  論文  参考訳（メタデータ） (2026-08-15T01:59:13Z)
• Evidence-Grounded Constraint Checking in Construction Documents [1.3787753513429983]
  抽出された事実を正規化し、4状態ルールを決定的に実行するエビデンス基底パイプラインを提案する。 我々は,29の建設プロジェクトから160の参照ベースタスクに対するPDFエビデンスアロケータの評価を行った。
  論文  参考訳（メタデータ） (2026-07-31T06:25:41Z)
• Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
  Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。 ラベルを適用すれば依存性認定正当性(D-CC)が得られる 4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
  論文  参考訳（メタデータ） (2026-07-29T15:55:31Z)
• NeuroQA: A Large-Scale Image-Grounded Benchmark for 3D Brain MRI Understanding [6.217658756255346]
  NeuroQAは3次元脳磁気共鳴画像(MRI)における視覚的質問応答のための大規模ベンチマークである 5-104歳と5つの臨床領域(アルツハイマー病、パーキンソン病、腫瘍、白質疾患、神経発達)にまたがる。 NeuroQAは、Yes/No、Multi-choice、オープンエンドフォーマットの11の臨床基礎的推論スキルを評価している。
  論文  参考訳（メタデータ） (2026-05-19T21:54:12Z)
• Medical thinking with multiple images [44.04557445622649]
  我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。 データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。 テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
  論文  参考訳（メタデータ） (2026-04-14T18:51:07Z)
• ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
  我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。 ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。 このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
  論文  参考訳（メタデータ） (2026-04-14T14:06:19Z)
• PinPoint: Evaluation of Composed Image Retrieval with Explicit Negatives, Multi-Image Queries, and Paraphrase Testing [3.889218009169166]
  Composed Image Retrieval (CIR) は大きな進歩を遂げているが、現在のベンチマークは1つの接地的回答に限られている。 我々は、7,635のクエリと329Kの関連判断を備えた総合的な実世界のベンチマークであるPinPointを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T20:55:30Z)
• SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling [6.476948781728136]
  SubspaceADは、産業画像の視覚異常を検出するトレーニング不要の方法である。 トレーニング、即時チューニング、メモリバンクなしでワンショット、数ショットの設定で動作します。 MVTec-ADデータセットで98.0%、97.6%、VisAデータセットで93.3%、98.3%の画像レベルとピクセルレベルのAUROCを実現している。
  論文  参考訳（メタデータ） (2026-02-26T13:52:57Z)
• Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
  TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。 TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
  論文  参考訳（メタデータ） (2025-07-10T17:59:58Z)
• MMSI-Bench: A Benchmark for Multi-Image Spatial Intelligence [74.51213082084428]
  MMSI-Benchは、マルチイメージ空間インテリジェンスに特化したVQAベンチマークである。 我々は、大規模な実験を行い、34のオープンソースおよびプロプライエタリMLLMを徹底的に評価する。 最も強力なオープンソースモデルはおよそ30%の精度に達し、OpenAIのo3推論モデルは40%に達し、人間は97%である。
  論文  参考訳（メタデータ） (2025-05-29T17:59:52Z)
• Getting it Right: Improving Spatial Consistency in Text-to-Image Models [103.52640413616436]
  現在のテキスト・トゥ・イメージ(T2I)モデルにおける重要な欠点の1つは、テキスト・プロンプトで指定された空間的関係を忠実に追従するイメージを一貫して生成できないことである。 4つの広く使用されている視覚データセットから600万の画像を再キャプチャすることで、空間的に焦点を絞った最初の大規模データセットであるSPRIGHTを作成します。 対象物を多数含む画像のトレーニングは,500枚の画像の微調整により,T2I-CompBenchの空間スコア0.2133の最先端結果を含む空間的整合性を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-04-01T15:55:25Z)
• Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore [71.09522172098733]
  FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。 VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。 さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
  論文  参考訳（メタデータ） (2023-01-28T03:58:32Z)

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。