論文の概要: VIALS: A Benchmark for Visual Interpretation of Artifacts in the Life Sciences
- arxiv url: http://arxiv.org/abs/2608.21357v1
- Date: Fri, 21 Aug 2026 17:59:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.672473
- Title: VIALS: A Benchmark for Visual Interpretation of Artifacts in the Life Sciences
- Title（参考訳）: VIALS: 生命科学における人工物の視覚的解釈のベンチマーク
- Abstract要約: 生命科学では、科学者は定期的に視覚的アーティファクトを解釈し、研究の意思決定を知らせる。
我々は161の解釈タスクを備えた視覚的質問応答ベンチマークであるVIALSを紹介する。
視覚言語モデルは自然画像の表現に精通するが、これらの科学的画像を正確に解釈することはできない。
- 参考スコア（独自算出の注目度）: 8.196561664551433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In professional life sciences workflows, scientists routinely interpret visual artifacts (gel blots, microscopy images, plasmid maps, flow cytometry plots, molecular structures, ...) to inform research decisions. We introduce VIALS, a visual question-answering benchmark with 161 such interpretation tasks, spanning the types of artifacts examined throughout experimental workflows in the biotech industry (rather than polished figures from publications and textbooks). While frontier vision-language models can now fluently describe natural images, we find that they are unable to accurately interpret these scientific images, reflecting limitations in domain knowledge and domain-specific visual reasoning capabilities. In contrast, scientists with relevant domain expertise find these visual interpretation tasks straightforward. AI that cannot similarly interpret such images will have limited utility in professional life sciences workflows, where such artifacts are central to how scientists reason, communicate, and make decisions.
- Abstract（参考訳）: 専門的な生命科学のワークフローにおいて、科学者は定期的に視覚的アーティファクト(ゲル・ブロット、顕微鏡画像、プラスミドマップ、フローサイトメトリー・プロット、分子構造、...)を解釈して研究の意思決定を知らせる。
我々は161の解釈タスクを備えた視覚的質問答えベンチマークであるVIALSを紹介し、バイオテクノロジー産業における実験的なワークフローを通して調査されたアーティファクトの種類(出版物や教科書の洗練された数字ではなく)を網羅した。
フロンティアの視覚言語モデルは、自然画像に精通して記述できるようになったが、これらの科学的画像を正確に解釈することができず、ドメイン知識やドメイン固有の視覚的推論能力の制限を反映している。
対照的に、関連分野の専門知識を持つ科学者は、これらの視覚的解釈タスクを簡単に見つけ出す。
このようなイメージを同じように解釈できないAIは、専門家のライフサイエンスワークフローにおいて限られた有用性を持つ。
関連論文リスト
- Conducting Stylistic Analysis of Paintings through an Art-History Agent [0.0]
絵画のスタイリスティック分析を自動化するAIフレームワークを提案する。
視覚変換器(ViT)を大量の絵画のコーパスにメタデータで訓練することにより,この美術史固有のデータを埋め込みとして符号化する。
大型言語モデル(LLM)は、関連するアートワークとその付随するキュレーターによるテキストを取得して、それらを記述に合成することによって、それぞれの特徴を解釈する。
論文 参考訳（メタデータ） (2026-08-30T08:10:58Z) - AstroVisBench: A Code Benchmark for Scientific Computing and Visualization in Astronomy [39.94582666929051]
AstroVisBenchは天文学領域における科学計算と可視化の両方のための最初のベンチマークである。
本稿では,最先端言語モデルの評価を行い,天文学研究に有用なアシスタントとして携わる能力に大きなギャップがあることを示す。
論文 参考訳（メタデータ） (2025-05-26T21:49:18Z) - Novel computational workflows for natural and biomedical image processing based on hypercomplex algebras [49.81327385913137]
ハイパーコンプレックス画像処理は、代数的および幾何学的原理を含む統一パラダイムで従来の手法を拡張している。
このワークル平均は、自然・生体画像解析のための四元数と2次元平面(四元数 - ピクセルを表す - を2次元平面に分割する)を分割する。
提案手法は、画像の自動処理パイプラインの一部として、カラー外観(例えば、代替リフレクションやグレースケール変換)と画像コントラストを規制することができる。
論文 参考訳（メタデータ） (2025-02-11T18:38:02Z) - CognArtive: Large Language Models for Automating Art Analysis and Decoding Aesthetic Elements [1.0579965347526206]
芸術は普遍言語であり、様々な方法で解釈できる。
大規模言語モデル (LLM) とマルチモーダル大規模言語モデル (MLLM) の可用性は,これらのモデルがアートワークの評価と解釈にどのように使用できるのかという疑問を提起する。
論文 参考訳（メタデータ） (2025-02-04T18:08:23Z) - Knowledge-Guided Prompt Learning for Deepfake Facial Image Detection [54.26588902144298]
ディープフェイク顔画像検出のための知識誘導型プロンプト学習法を提案する。
具体的には、学習可能なプロンプトの最適化を導くための専門家知識として、大規模言語モデルから偽造関連プロンプトを抽出する。
提案手法は最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2025-01-01T02:18:18Z) - Decoding Diffusion: A Scalable Framework for Unsupervised Analysis of Latent Space Biases and Representations Using Natural Language Prompts [68.48103545146127]
本稿では拡散潜在空間の教師なし探索のための新しい枠組みを提案する。
我々は、自然言語のプロンプトと画像キャプションを直接利用して、遅延方向をマップする。
本手法は,拡散モデルに符号化された意味的知識をよりスケーラブルで解釈可能な理解を提供する。
論文 参考訳（メタデータ） (2024-10-25T21:44:51Z) - Hierarchical Text-to-Vision Self Supervised Alignment for Improved Histopathology Representation Learning [64.1316997189396]
病理組織像のための新しい言語型自己教師学習フレームワーク,階層型言語型自己監督(HLSS)を提案する。
その結果,OpenSRH と TCGA の2つの医用画像ベンチマークにおいて,最先端の性能が得られた。
論文 参考訳（メタデータ） (2024-03-21T17:58:56Z) - Multimodal Deep Learning for Scientific Imaging Interpretation [0.0]
本研究では,SEM(Scanning Electron Microscopy)画像と人間のような相互作用を言語的にエミュレートし,評価するための新しい手法を提案する。
本稿では,ピアレビュー記事から収集したテキストデータとビジュアルデータの両方から洞察を抽出する。
我々のモデル (GlassLLaVA) は, 正確な解釈, 重要な特徴の同定, 未確認のSEM画像の欠陥の検出に優れる。
論文 参考訳（メタデータ） (2023-09-21T20:09:22Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳（メタデータ） (2021-03-24T16:24:20Z) - Toward Quantifying Ambiguities in Artistic Images [21.152039726639426]
本稿では,画像の集合の知覚的あいまいさを測定するためのアプローチを提案する。
観客は、異なる視聴時間の後、画像コンテンツを記述するよう依頼される。
Generative Adversarial Networksで作成した画像を使って実験を行う。
論文 参考訳（メタデータ） (2020-08-21T21:40:16Z)
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。