論文の概要: TRACE-Bench: Decomposing and Diagnosing Multi-Reference Image Generation

• arxiv url: http://arxiv.org/abs/2608.16765v1
• Date: Mon, 17 Aug 2026 16:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.791128
• Title: TRACE-Bench: Decomposing and Diagnosing Multi-Reference Image Generation
• Title（参考訳）: TRACE-Bench:マルチ参照画像生成の分解と診断
• Abstract要約: TRACE-Benchは、多様な芸術的スタイルと現実世界の主題にまたがるマルチ参照画像の評価ツールである。 631の定式テンプレートと、様々な芸術様式と現実世界の主題にまたがる約4,000の参照画像で構成されている。 その公式構造は、演算子整合性評価プロトコルを駆動し、可視性スコアリングと診断木解析を行う。
• 参考スコア（独自算出の注目度）: 74.69068352546073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent advances in unified multimodal models for multi-reference image generation, existing benchmarks remain organized around predefined task types (e.g., "subject composition"), which are ill-suited to this combinatorial setting and lead to fragmented coverage, uncontrolled complexity, and little diagnostic value. Recognizing that diverse multi-reference tasks share a common set of atomic operations, we adopt a capability-oriented perspective and formalize four operators: Anchor ($f$), Disentangle ($g$), Apply ($\oplus$), and Compose ($C$). Any multi-reference prompt can then be represented as a compositional formula over these operators, whose structural complexity is quantified by the number of operator slots. Building on this formulation, we construct TRACE-Bench, comprising approximately 1,600 evaluation cases across slot counts 1--8, built from 631 formula templates and around 4,000 reference images spanning diverse artistic styles and real-world subjects. The formula structure directly drives an operator-aligned evaluation protocol for per-capability scoring and a diagnostic tree analysis for recursive failure localization. Evaluating 9 leading models reveals insights invisible to holistic scoring: the primary bottleneck lies in disentanglement ($g$) and attribute binding ($\oplus$) rather than scene-level composition ($C$), with even the best model scoring only 0.74 on attribute fidelity. Project page: https://amuseum-whr.github.io/TraceBench
• Abstract（参考訳）: マルチ参照画像生成のための統合マルチモーダルモデルの最近の進歩にもかかわらず、既存のベンチマークは定義済みのタスクタイプ(例:「オブジェクト構成」)を中心に構成されている。 多様なマルチ参照タスクが共通のアトミック操作を共有していることを認識し、能力指向の視点を採用し、Anchor(f$)、Disentangle(g$)、Apply(\oplus$)、Compose(C$)の4つの演算子を形式化する。 任意の多重参照プロンプトはこれらの演算子に対する合成公式として表され、その構造的複雑さは演算子スロットの数によって定量化される。 この定式化に基づいて,約1,600件のスロット数1～8の評価ケースと631の定式テンプレートと,多種多様な芸術的スタイルと現実世界の主題にまたがる約4,000の参照画像からなるTRACE-Benchを構築した。 定式構造は、演算子整合評価プロトコルを直接駆動し、パーキャパビリティスコアと、再帰的障害局所化のための診断木解析を行う。 主要なボトルネックは、シーンレベルの構成(C$)ではなく、アンタングルメント(g$)と属性バインディング(\oplus$)にある。 プロジェクトページ: https://amuseum-whr.github.io/TraceBench

関連論文リスト

• Do Composed Image Retrieval Benchmarks Require Multimodal Composition? [86.99911649534795]
  合成画像検索ベンチマークでは,マルチモーダルな構成が必要であると推定される。 4つの広く使用されているCIRベンチマークと11のジェネリストマルチモーダルエンベディングモデルで、クエリの大部分が単一モードで解決できる。 CIRの性能は、真のマルチモーダル合成ではなく、単一モーダル信号から生じる。
  論文  参考訳（メタデータ） (2026-05-14T12:56:36Z)
• DeltaRubric: Generative Multimodal Reward Modeling via Joint Planning and Verification [38.65432183778467]
  一つのMLLM内でのプラン・アンド・エグゼキュートプロセスとしてマルチモーダルな選好評価を再構成するアプローチであるDeltaRubricを導入する。 DeltaRubricは2つのステップで動作する。まずは$textitDisagreement Planner$として動作し、中立でインスタンス固有のチェックリストを生成する。 我々はDeltaRubricをマルチロール強化学習問題として定式化し、計画と検証機能を共同で最適化する。
  論文  参考訳（メタデータ） (2026-05-10T02:32:19Z)
• Deploy DINO with Many-to-Many Association [7.8674424739322175]
  本稿では,既存の手法を難易度計算のゼロ階近似として解釈する新しい可能性視点を提案する。 ハーモニック・コンセンサス・最大化(HCM)と呼ばれる,より高速できめ細かいロバスト機構を提案する。
  論文  参考訳（メタデータ） (2026-04-26T12:12:25Z)
• SCHEMA for Gemini 3 Pro Image: A Structured Methodology for Controlled AI Image Generation on Google's Native Multimodal Model [0.0]
  SCHEMAは、850の検証済みAPI予測を含む、システマティックなプロフェッショナルプラクティスに基づいて構築された、エンジニアリングされたフレームワークである。 SchEMAは、探索的(約5%)から指示的(約95%)まで実践者のコントロールを拡大する 主要な発見は、621個の構造化プロンプトにまたがる91%の強制コンプライアンス率と94%の禁制コンプライアンス率である。
  論文  参考訳（メタデータ） (2026-02-21T16:51:40Z)
• UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
  マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。 実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-04T04:30:13Z)
• PanMatch: Unleashing the Potential of Large Vision Models for Unified Matching Models [80.65273820998875]
  頑健な対応マッチングのための汎用基盤モデルであるPanMatchを提案する。 我々の重要な洞察は、任意の2フレーム対応タスクが2次元変位推定フレームワーク内で処理可能であることである。 PanMatchは、偏差推定アルゴリズムを前例のない一般化能力で実現し、マルチタスク統合を実現する。
  論文  参考訳（メタデータ） (2025-07-11T08:18:52Z)
• With Limited Data for Multimodal Alignment, Let the STRUCTURE Guide You [3.3384874808567173]
  マルチモーダルモデルは、マルチモーダルアライメント、ゼロショット分類、クロスモーダル検索を必要とする複雑なタスクにおいて強力な機能を示した。 既存のモデルは通常、数百万対のサンプルを頼りにしている。 そこで本研究では,一様層の潜伏空間を保存する効果的な正則化手法を提案する。 これら2つのコンポーネントは、既存のアライメント手法に簡単に組み込むことができ、24のゼロショット画像分類と検索ベンチマークでかなりの利得が得られる。
  論文  参考訳（メタデータ） (2025-06-20T10:32:54Z)
• T2I-CompBench++: An Enhanced and Comprehensive Benchmark for Compositional Text-to-image Generation [55.16845189272573]
  T2I-CompBench++は、合成テキスト・画像生成のための拡張ベンチマークである。 8000のコンポジションテキストプロンプトは、属性バインディング、オブジェクト関係、生成数、複雑なコンポジションの4つのグループに分類される。
  論文  参考訳（メタデータ） (2023-07-12T17:59:42Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)

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。