論文の概要: Diagnosing Dense Same-Class Attribute Misbinding in Large Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.16805v1
• Date: Mon, 17 Aug 2026 17:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.800735
• Title: Diagnosing Dense Same-Class Attribute Misbinding in Large Vision-Language Models
• Title（参考訳）: 大規模視覚言語モデルにおけるDense-Class Atribute Misbindingの診断
• Abstract要約: 本研究は、この盲点をDSCAM(Dense Same-Class Attribute Misbinding)として定式化する。 InstaBind-Liteは、直接測定可能な、制御されたベンチマークである。 524枚の画像には、529個のキュレートされたグループ、3-6個の同一のエンティティ、1773個のボックス化されたインスタンス、注文された隣人、識別可能な色のような属性、および4つの補完的な質問レベルが含まれており、決定論的に評価された質問は9580件である。
• 参考スコア（独自算出の注目度）: 7.647944993041615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large vision-language models can recognize the objects and attributes in a crowded scene yet assign an attribute to the wrong same-class instance. Generic visual-question-answering accuracy marks the response as wrong, while object-hallucination metrics may regard both the object and attribute as image-supported; neither reveals the transfer. This study formalizes this blind spot as Dense Same-Class Attribute Misbinding (DSCAM) and presents InstaBind-Lite, a controlled benchmark that makes it directly measurable. Its 524 images contain 529 curated groups of 3-6 same-class entities, 1773 boxed instances, ordered neighbors, distinguishable color-like attributes, and four complementary question levels, yielding 9580 deterministically evaluated questions. Unlike existing protocols, source-instance annotations separate unsupported generation and recognition failure from an attribute copied from another visible entity. Binding-specific metrics further quantify transfer frequency, adjacency, ordinal distance, and intervention effects. Across five open-source and two commercial/API models, the open-source systems average 19.84% Misbinding Rate and the API systems 7.55%; these errors are hidden by aggregate accuracy. Among identifiable transfers, 80.70% and 81.51%, respectively, originate from adjacent instances. Localization and instance-first interventions help selected models but are not universal remedies. InstaBind-Lite therefore turns previously undifferentiated wrong answers into source-identifiable failure categories and tests a reliability dimension that conventional benchmarks cannot determine: whether a model knows not only what is visible, but which instance owns each attribute.
• Abstract（参考訳）: 大きな視覚言語モデルは、混雑したシーンでオブジェクトと属性を認識することができるが、間違った同じクラスのインスタンスに属性を割り当てる。 ジェネリックな視覚的問合せの精度は反応が間違っていることを示し、一方、オブジェクト・ハロシン化のメトリクスは、オブジェクトと属性の両方をイメージをサポートするものとみなす。 本研究では、この盲点をDense Same-Class Attribute Mis binding (DSCAM)として定式化し、直接測定可能な制御ベンチマークであるInstaBind-Liteを提示する。 524枚の画像には、529個のキュレートされたグループ、3-6個の同一のエンティティ、1773個のボックス化されたインスタンス、注文された隣人、識別可能な色のような属性、および4つの補完的な質問レベルが含まれており、決定論的に評価された質問は9580件である。 既存のプロトコルとは異なり、ソースインスタンスアノテーションは、別の可視エンティティからコピーされた属性から、サポート対象の生成と認識の失敗を分離する。 結合特異的なメトリクスは、転送頻度、隣接度、順序距離、介入効果をさらに定量化する。 5つのオープンソースモデルと2つの商用/APIモデル、平均19.84%のミスバインドレートと7.55%のAPIシステムである。 特定可能な転送のうち、80.70%と81.51%はそれぞれ隣接するインスタンスに由来する。 局所化とインスタンス優先の介入は、選択されたモデルに役立つが、普遍的な治療ではない。 したがって、InstaBind-Liteは、未分化の誤った回答をソース識別可能な失敗カテゴリに変換し、従来のベンチマークでは決定できない信頼性の次元をテストする。

関連論文リスト

• Compositional Caching for Training-free Open-vocabulary Attribute Detection [65.46250297408974]
  オープンボキャブラリ属性検出のためのトレーニング不要なComcal Caching(ComCa)を提案する。 ComCaは、イメージの補助キャッシュをポップアップするために、ターゲット属性とオブジェクトのリストのみを入力として使用する。 パブリックデータセットの実験では、ComCaがゼロショットとキャッシュベースのベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-03-24T21:00:37Z)
• Hybrid Discriminative Attribute-Object Embedding Network for Compositional Zero-Shot Learning [83.10178754323955]
  HDA-OE(Hybrid Discriminative Attribute-Object Embedding)ネットワークは,属性とオブジェクトの視覚表現との複雑な相互作用を解決するために提案される。 トレーニングデータの多様性を高めるため、HDA-OEは属性駆動型データ合成(ADDS)モジュールを導入した。 HDA-OEは、モデルの識別能力をさらに向上するため、サブクラス駆動の差別的埋め込み(SDDE)モジュールを導入している。 提案モデルを3つのベンチマークデータセットで評価し,その妥当性と信頼性を検証した。
  論文  参考訳（メタデータ） (2024-11-28T09:50:25Z)
• ArtVLM: Attribute Recognition Through Vision-Based Prefix Language Modeling [32.55352435358949]
  属性認識のための文生成に基づく検索定式化を提案する。 画像上で認識される各属性に対して、短い文を生成する視覚条件付き確率を測定する。 生成的検索が2つの視覚的推論データセットのコントラスト的検索を一貫して上回ることを示す実験を通して実証する。
  論文  参考訳（メタデータ） (2024-08-07T21:44:29Z)
• Leveraging vision-language models for fair facial attribute classification [19.93324644519412]
  汎用視覚言語モデル(英: General-purpose Vision-Language Model, VLM)は、共通感性属性のための豊富な知識源である。 我々は,VLM予測値と人間定義属性分布の対応関係を解析した。 複数のベンチマークの顔属性分類データセットの実験は、既存の教師なしベースラインよりもモデルの公平性の向上を示している。
  論文  参考訳（メタデータ） (2024-03-15T18:37:15Z)
• Conditional Cross Attention Network for Multi-Space Embedding without Entanglement in Only a SINGLE Network [1.8899300124593648]
  本研究では,複数の特定の属性に対して,単一のバックボーンのみを交叉する多空間埋め込みを誘導する条件付きクロスアテンションネットワークを提案する。 提案手法は,FashionAI,DARN,DeepFashion,Zappos50Kベンチマークデータセット上で一貫した最先端性能を実現した。
  論文  参考訳（メタデータ） (2023-07-25T04:48:03Z)
• Exploiting Semantic Attributes for Transductive Zero-Shot Learning [97.61371730534258]
  ゼロショット学習は、視覚的特徴と、そのクラスから学んだ意味的属性の関係を一般化することにより、目に見えないクラスを認識することを目的としている。 本稿では,未知データの意味的属性を生成し,生成過程に付加する新しいZSL法を提案する。 5つの標準ベンチマーク実験により,本手法がゼロショット学習の最先端結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-03-17T09:09:48Z)
• Not All Instances Contribute Equally: Instance-adaptive Class Representation Learning for Few-Shot Visual Recognition [94.04041301504567]
  少数ショットの視覚認識は、いくつかのラベル付きインスタンスから新しい視覚概念を認識することを指す。 本稿では,数ショットの視覚認識を実現するために,インスタンス適応型クラス表現学習ネットワーク(ICRL-Net)と呼ばれる新しいメトリックベースのメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-07T10:00:18Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Improving Object Detection and Attribute Recognition by Feature Entanglement Reduction [26.20319853343761]
  オブジェクト検出は属性非依存であるべきであり、属性は主にオブジェクト非依存であることを示す。 我々は、カテゴリと属性の特徴を独立に計算する2ストリームモデルを用いて、それらを分離するが、分類ヘッドは興味の領域(RoIs)を共有する。 従来のシングルストリームモデルと比較すると,Visual GenomeのサブセットであるVG-20よりも,教師付きタスクと属性転送タスクにおいて大幅な改善が見られた。
  論文  参考訳（メタデータ） (2021-08-25T22:27:06Z)
• Effectively Leveraging Attributes for Visual Similarity [52.2646549020835]
  Pairwise Attribute-Informed similarity Network (PAN) を提案する。このネットワークは、類似性学習を2つの画像の共同表現から類似性条件と関連性スコアをキャプチャする。 PANは、Polyvore Outfits上の服品間の互換性予測を4-9%改善し、Caltech-UCSD Birds (CUB)を使用した画像の少数分類で5%向上し、In-Shop Clothes RetrievalでRecall@1に1%アップした。
  論文  参考訳（メタデータ） (2021-05-04T18:28:35Z)

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。