論文の概要: Can Language Models Imagine Without Seeing? Ekphrasis: Measuring Visual Creative Ideation in Text-Only LLMs

• arxiv url: http://arxiv.org/abs/2608.06967v1
• Date: Fri, 07 Aug 2026 08:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.420169
• Title: Can Language Models Imagine Without Seeing? Ekphrasis: Measuring Visual Creative Ideation in Text-Only LLMs
• Title（参考訳）: 言語モデルは見ることなく想像できるか?Ekphrasis:テキストのみのLLMにおける視覚的創造的観念を測る
• Abstract要約: 我々は、視覚創造観念(VCI)を、有用で表現力があり、人口の少ないテキストビジュアルプランを作成する能力として定義する。 Ekphrasisは、次元固有のチェックリストと匿名化されたペアワイズ比較を記録し、Bradley-Terryモデルで好みを集約し、Typed Idea Graphsを使用してタスク固有の集団のクリケを新しい参照に変換する。
• 参考スコア（独自算出の注目度）: 43.382713723618856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current evaluations do not isolate whether text-only language models can originate visual concepts before image generation. Fluent visual prose can hide visual-plan failures: an answer may appear creative while repeating familiar visual clichés or failing to specify a renderable scene. We define Visual Creative Ideation (VCI) as the ability to produce textual visual plans that are useful, expressive, and population-novel, and introduce Ekphrasis, a 400-task benchmark spanning Abstraction, Combination, Transformation, and Adaptation. Ekphrasis scores anonymized pairwise comparisons with dimension-specific checklists, aggregates preferences with Bradley-Terry models, and uses Typed Idea Graphs to convert task-specific population clichés into novelty references. Across 14 language models, VCI separates usefulness, expressiveness, and novelty rather than reducing to fluency: strong models achieve similar overall scores through different profiles, and useful plans can remain visually clichéd. A cross-modal grounding study further shows that text-level VCI ordering largely survives faithful rendering and blind image-level preference judgment, supporting Ekphrasis as a measure of visual ideation beyond prose quality.
• Abstract（参考訳）: 現在の評価では、テキストのみの言語モデルが画像生成の前に視覚概念を創出できるかどうかを区別していない。 鮮やかな視覚的散文は、視覚的な計画上の失敗を隠蔽することができる: 答えは創造的に見えるが、慣れ親しんだ視覚的クリケを繰り返すか、レンダリング可能なシーンを特定するのに失敗する。 我々は、視覚創造的理想(VCI)を、有用で表現力があり、人口の多いテキストビジュアルプランを作成する能力として定義し、抽象化、組合せ、変換、適応にまたがる400タスクのベンチマークであるEkphrasisを紹介した。 Ekphrasisは、次元固有のチェックリストと匿名化されたペアワイズ比較を記録し、Bradley-Terryモデルで好みを集約し、Typed Idea Graphsを使用してタスク固有の集団のクリケを新しい参照に変換する。 14の言語モデル全体で、VCIは、フレンシに還元するのではなく、有用性、表現性、新鮮さを分離している。 クロスモーダル基礎研究により、テキストレベルのVCI順序付けは忠実なレンダリングとブラインドな画像レベルの選好判断をほとんど生き残り、Ekphrasisを散文品質以上の視覚的思考の尺度として支持していることが明らかとなった。

関連論文リスト

• Contextualized Visual Personalization in Vision-Language Models [51.3151397451851]
  本稿では、コンテキスト化された視覚的パーソナライゼーションのコアタスクとして、パーソナライズされた画像キャプションを扱う統一的なフレームワークを提案する。 実験では、CoViPはパーソナライズされた画像キャプションを改善するだけでなく、下流のパーソナライゼーションタスク全体で全体的利益をもたらす。 これらの結果から、CoViPは、堅牢で一般化可能な視覚的パーソナライゼーションを実現するための重要な段階であることが示された。
  論文  参考訳（メタデータ） (2026-02-03T12:21:26Z)
• Visual Storytelling with Question-Answer Plans [70.89011289754863]
  本稿では、事前訓練された言語モデルと計画に視覚表現を統合する新しいフレームワークを提案する。 我々のモデルは、画像列を視覚的な接頭辞、つまり言語モデルで解釈できる連続的な埋め込みの列に変換する。 また、一連の質問と回答のペアを青写真プランとして利用して、健全な視覚概念を選択し、物語にどのように組み立てるべきかを決定する。
  論文  参考訳（メタデータ） (2023-10-08T21:45:34Z)
• Unified Language-Vision Pretraining in LLM with Dynamic Discrete Visual Tokenization [52.935150075484074]
  非言語的なイメージを外国語のような個別のトークン列に変換するために、よく設計されたビジュアルトークン化器を導入する。 結果として得られる視覚トークンは、単語に相応しいハイレベルな意味論を含み、画像から変化する動的シーケンス長もサポートする。 この統合によりLaVITは、マルチモーダルコンテンツの理解と生成を同時に行うための印象的な汎用インターフェースとして機能する。
  論文  参考訳（メタデータ） (2023-09-09T03:01:38Z)
• Learning the Visualness of Text Using Large Vision-Language Models [42.75864384249245]
  視覚的テキストは人の心の中のイメージを誘発するが、視覚的でないテキストはそれを起こさない。 テキスト内の視覚を自動的に検出する手法により、テキスト・ツー・イメージ検索と生成モデルにより、関連する画像でテキストを拡張できる。 我々は,3,620の英語文のデータセットと,複数のアノテータによって提供されるその視覚性スコアをキュレートする。
  論文  参考訳（メタデータ） (2023-05-11T17:45:16Z)
• Visually-Augmented Language Modeling [137.36789885105642]
  本稿では,言語モデリングのための関連画像を含むテキストトークンを視覚的に拡張する,VaLMという新しい事前学習フレームワークを提案する。 視覚的に拡張されたコンテキストでは、VaLMは視覚知識融合層を使用してマルチモーダル基底言語モデリングを可能にする。 視覚情報を必要とする多モーダル・コモンセンス推論タスクについて,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2022-05-20T13:41:12Z)
• From Two to One: A New Scene Text Recognizer with Visual Language Modeling Network [70.47504933083218]
  本稿では,視覚情報と言語情報を結合として見る視覚言語モデリングネットワーク(VisionLAN)を提案する。 VisionLANは39%のスピード向上を実現し、正確な認識のための視覚的特徴を高めるために言語情報を適応的に検討する。
  論文  参考訳（メタデータ） (2021-08-22T07:56:24Z)

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。