論文の概要: Vision Language Model Fusion for Explainable Face Recognition
- arxiv url: http://arxiv.org/abs/2608.24430v1
- Date: Tue, 25 Aug 2026 11:44:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.951446
- Title: Vision Language Model Fusion for Explainable Face Recognition
- Title（参考訳）: 説明可能な顔認識のための視覚言語モデル融合
- Abstract要約: 視覚言語モデル(VLM)は、説明可能な顔認識のための有望な基盤を提供する。
本研究は、複数のVLMを組み合わせて認識精度を向上させることができるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 8.078681487621667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Responsible deployment of face verification systems requires more than accurate decisions: systems should also provide interpretable and auditable evidence that enables users to understand, assess, and challenge their decisions. Vision-language models (VLMs) provide a promising foundation for explainable face recognition by combining visual analysis with natural-language reasoning. However, relying on a single model may further limit the decision accuracy as well as provided explanations. This work therefore investigates whether multiple VLMs can be combined to improve recognition accuracy, and to enrich the explanations associated with those decisions. This work evaluates four VLMs as standalone face verification systems and subsequently proposes a fusion framework, where two source models provide similarity scores and textual justifications and a third VLM acts as a decider model. Four different fusion scenarios are considered, progressively providing the decider model with scores, justifications, face images, and combinations of these modalities. Overall, the findings suggest that the value of multi-VLM fusion extends beyond recognition performance. VLMs can provide complementary justifications and perspectives that enable richer explanations of face recognition decisions, supporting greater transparency, auditability, and error analysis. This is relevant to the development of responsible explainable face verification systems, where users and operators should be able to understand not only the final decision but also the evidence and potential sources underlying it. The proposed multimodal VLM, which combines decision scores, explanations, and face images, achieves higher recognition accuracy than state-of-the-art VLMs and domain-specific face recognition models, while also providing fused explanations that are expected to be more robust than those generated by individual VLMs.
- Abstract（参考訳）: システムは、ユーザが意思決定を理解し、評価し、挑戦できるように、解釈可能で監査可能な証拠を提供する必要があります。
視覚言語モデル(VLM)は、視覚分析と自然言語推論を組み合わせることで、説明可能な顔認識の基礎を提供する。
しかし、1つのモデルに依存すると、決定の正確性や説明がより制限される可能性がある。
そこで本研究では,複数のVLMを組み合わせることで,認識精度を向上し,これらの決定に関連する説明を充実させることができるかを検討する。
本研究は、4つのVLMをスタンドアロンの顔認証システムとして評価し、2つのソースモデルが類似点とテキストの正当性を提供し、第3のVLMが決定子モデルとして機能する融合フレームワークを提案する。
4つの異なる融合シナリオが考慮され、スコア、正当化、顔画像、これらのモダリティの組み合わせを含む決定モデルが徐々に提供される。
以上の結果から,マルチVLM融合の価値は認識性能を超えることが示唆された。
VLMは、顔認識決定のより豊かな説明を可能にし、透明性、監査可能性、エラー分析をサポートする補完的な正当化と視点を提供することができる。
これは、ユーザとオペレーターが最終決定だけでなく、その根拠となる証拠や潜在的な情報源を理解できるようにするための、責任ある説明可能な顔認証システムの開発に関係している。
決定スコア,説明,顔画像を組み合わせたマルチモーダルVLMは,最先端のVLMやドメイン固有の顔認識モデルよりも高い認識精度を実現するとともに,個々のVLMよりも堅牢であると思われる融合説明を提供する。
関連論文リスト
- MLLM-based Textual Explanations for Face Comparison [9.423763930383755]
本研究では,MLLMが生成した顔認証タスクに関する説明を系統的に分析する。
以上の結果から,MLLMが正しい検証判断を下しても,伴う説明は検証不能あるいは幻覚的顔面属性に依存することが多いことが示唆された。
論文 参考訳（メタデータ） (2026-03-17T15:01:00Z) - Can Unified Generation and Understanding Models Maintain Semantic Equivalence Across Different Output Modalities? [61.533560295383786]
Unified Multimodal Large Language Models (U-MLLM) は、単一のアーキテクチャ内で理解と生成を統合する。
我々は,U-MLLMが画像のモダリティにおいて同じ結果をレンダリングするために必要な場合,意味的等価性を維持することができないことを観察する。
VGUBenchは、推論ロジックを生成の忠実性から切り離すためのフレームワークである。
論文 参考訳（メタデータ） (2026-02-27T06:23:56Z) - Advancing Adaptive Multi-Stage Video Anomaly Reasoning: A Benchmark Dataset and Method [96.63801368613177]
本稿では,記述的理解から構造化多段階推論への映像異常解析を向上するタスクを提案する。
我々は8,641本のビデオからなる新しいデータセットを提示し、合計5万本以上のサンプルを作成し、ビデオ異常理解のための最大のデータセットの1つである。
提案したタスクとデータセットに基づいて,適応的階層的推論とリスク認識意思決定をサポートする,Vad-R1-Plusと呼ばれるエンドツーエンドのMLLMベースのVARモデルを開発する。
論文 参考訳（メタデータ） (2026-01-15T08:09:04Z) - VerLM: Explaining Face Verification Using Natural Language [50.56081916981731]
顔認証のための革新的視覚言語モデル(VLM)を提案する。
我々のモデルは2つの補完的な説明スタイルを用いて一意に訓練されている。
提案するVLMは,高度な特徴抽出技術と高度な推論機能を統合し,検証プロセスの明瞭な記述を可能にする。
論文 参考訳（メタデータ） (2026-01-05T05:16:07Z) - LLMs for Explainable Business Decision-Making: A Reinforcement Learning Fine-Tuning Approach [9.942833203981069]
大規模言語モデル(LLM)は、自然言語の説明を生成する機会を提供する。
観客に適切な説明を与える強化学習に基づく微調整フレームワークであるLEXMAを紹介する。
LEXMAは他のLLMベースラインに比べて予測性能が大幅に向上した。
論文 参考訳（メタデータ） (2025-12-10T04:16:31Z) - VLMs Guided Interpretable Decision Making for Autonomous Driving [39.29020915361483]
我々は、高度な意思決定タスクにおいて、最先端のオープンソースビジョン言語モデル(VLM)を評価する。
本稿では,VLMの役割を直接決定ジェネレータからセマンティックエンハンサーへシフトさせるアプローチを提案する。
提案手法は,VLMを信頼性・解釈可能なADシステムに統合する上で有望な方向を提供することにより,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-17T19:57:51Z) - VOILA: Evaluation of MLLMs For Perceptual Understanding and Analogical Reasoning [63.0285363282581]
MLLM(Multimodal Large Language Models)は、視覚情報とテキスト情報を統合するための強力なツールとなっている。
本稿では,MLLMの知覚的理解と抽象的関係推論を評価するためのベンチマークVOILAを紹介する。
我々は,現在のMLLMが画像間関係の理解に苦慮し,高レベルの関係推論において限られた能力を示すことを明らかにした。
論文 参考訳（メタデータ） (2025-02-25T23:36:19Z) - ProReason: Multi-Modal Proactive Reasoning with Decoupled Eyesight and Wisdom [59.92786855289658]
本稿ではProReasonという新しいビジュアル推論フレームワークを紹介する。
ProReasonは、分離されたビジョン推論機能とマルチランプロアクティブな知覚を備えている。
実験の結果, ProReasonは様々なベンチマークにおいて, 既存のマルチステップ推論フレームワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-10-18T03:22:06Z) - Prism: A Framework for Decoupling and Assessing the Capabilities of VLMs [83.24033574914425]
視覚的問題解決に関わる知覚と推論のプロセスを切り離すために設計された革新的フレームワークであるPrismを提示する。
プリズムは、VLMを利用してテキスト形式で視覚情報を抽出・調音する知覚段階と、抽出された視覚情報に基づいて応答を定式化する推論段階と、2つの異なる段階から構成される。
私たちの分析フレームワークは、視覚言語タスクのコスト効率のよいソリューションとして、Prismの可能性について、いくつかの貴重な洞察を提供する。
論文 参考訳（メタデータ） (2024-06-20T17:54:03Z) - Prismatic VLMs: Investigating the Design Space of Visually-Conditioned Language Models [73.40350756742231]
視覚条件付き言語モデル(VLM)は、視覚対話、シーン理解、ロボットタスク計画などのアプリケーションに採用されている。
新しいリリースの量は多いが、イメージ前処理、アーキテクチャ、最適化に関する重要な設計決定は未調査である。
論文 参考訳（メタデータ） (2024-02-12T18:21:14Z) - Towards Top-Down Reasoning: An Explainable Multi-Agent Approach for Visual Question Answering [47.668572102657684]
本稿では,視覚言語モデル(VLM)の能力を高めるために,LLM(Large Language Models)の拡張的知識を活用することで,新しいマルチエージェントコラボレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2023-11-29T03:10:42Z)
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。