論文の概要: Blending Concepts: Benchmarking Visual Metaphor Generation in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2609.02502v1
• Date: Wed, 02 Sep 2026 12:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.32665
• Title: Blending Concepts: Benchmarking Visual Metaphor Generation in Text-to-Image Models
• Title（参考訳）: ブレンディングの概念:テキスト・画像モデルにおけるビジュアルメタファー生成のベンチマーク
• Abstract要約: VMetaphor-Benchは、テキスト・ツー・イメージ(T2I)モデルで視覚的メタファー生成を評価するための最初のベンチマークである。 3つのレベルと10のカテゴリに分けられ、それぞれのサンプルには2つの異なる特異性のプロンプトが組み合わされている。 MLLM-as-judgeパラダイム内で,4段階の比喩的忠実度に対して9,594問の多点質問(MCQ)ベースのプロトコルと3次元の知覚次元に沿った次元に基づくスコアリングプロトコルを組み合わせたハイブリッドフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 24.831732734343536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image (T2I) models have achieved remarkable success at faithfully rendering specified objects and attributes, yet their ability to produce visual metaphors, images that convey abstract ideas by combining elements from two distinct domains, remains largely unexamined. To bridge this gap, we introduce VMetaphor-Bench, the first benchmark for evaluating visual metaphor generation in T2I models. It comprises 1,500 visual metaphors curated from real-world creative imagery, organized into three levels and ten categories, with each sample paired with two prompts of differing specificity. For evaluation, we develop a hybrid framework within an MLLM-as-judge paradigm, combining a multiple-choice question (MCQ) based protocol of 9,594 questions across four levels of metaphorical fidelity with a dimension-based scoring protocol along three perceptual dimensions. Extensive evaluation of 11 representative T2I models reveals that even the strongest proprietary models struggle with compositional structuring and cross-domain mapping, key aspects of metaphorical expression, highlighting visual metaphor generation as an important frontier for future T2I research.
• Abstract（参考訳）: テキスト・ツー・イメージ(T2I)モデルは、特定のオブジェクトや属性を忠実にレンダリングすることに成功したが、視覚的なメタファーを生成する能力は、2つの異なるドメインの要素を組み合わせることで抽象的なアイデアを伝えるイメージである。 このギャップを埋めるために、T2Iモデルにおける視覚的メタファー生成を評価する最初のベンチマークであるVMetaphor-Benchを紹介する。 3つのレベルと10のカテゴリに分けられ、それぞれのサンプルには2つの異なる特異性のプロンプトが組み合わされている。 MLLM-as-judgeパラダイム内で,4段階の比喩的忠実度に対して9,594問の多点質問(MCQ)ベースのプロトコルと3次元の知覚次元に沿った次元に基づくスコアリングプロトコルを組み合わせたハイブリッドフレームワークを開発する。 11の代表的なT2Iモデルの広範囲な評価は、最強のプロプライエタリモデルでさえ構成構造とクロスドメインマッピングに苦しむことを示し、メタファー表現の重要な側面であり、将来のT2I研究のフロンティアとして視覚的メタファー生成を強調している。

関連論文リスト

• Simile Understanding in Text-to-Image Models: An Evaluation Framework [62.87595758734574]
  最近のテキスト・ツー・イメージモデル(t2iモデル)は、シミュレートプロンプトから視覚的に魅力的な出力を生成することができる。 本稿では、簡易理解のためのスケーラブルな評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-05T12:18:28Z)
• Exploring Multi-Modal Large Language Models and Two-Stage Fine-Tuning for Fashion Image Retrieval [3.1033110046835457]
  ファッション領域では、このタスクは色、パターン、テクスチャといった微妙なバリエーションを理解する必要がある。 既存のアプローチは、注釈付きデータが少なく、単純なネガティブサンプリングのために制限に直面している。 本稿では,多粒大言語モデル (LLaVA) を統合し,属性認識三重項を生成する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-18T01:19:32Z)
• Exploring a Unified Vision-Centric Contrastive Alternatives on Multi-Modal Web Documents [99.62178668680578]
  本稿では,単一の視覚変換器を用いてテキスト,画像,それらの組み合わせをモデル化する統合フレームワークであるビジョン中心コントラスト学習(VC2L)を提案する。 VC2Lは完全にピクセル空間で動作し、テキスト、ビジュアル、または組み合わせのいずれでも、すべての入力を画像として描画する。 ウェブ文書における複雑なクロスモーダル関係を捉えるため、VC2Lは連続するマルチモーダルセグメントを整列するスニペットレベルのコントラスト学習目標を採用している。
  論文  参考訳（メタデータ） (2025-10-21T14:59:29Z)
• Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
  本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。 注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。 被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
  論文  参考訳（メタデータ） (2025-09-26T07:11:55Z)
• MMIG-Bench: Towards Comprehensive and Explainable Evaluation of Multi-Modal Image Generation Models [42.91502354577658]
  MMIG-Benchは総合的なマルチモーダル画像生成ベンチマークである。 4,850件の注釈付きテキストプロンプトと380件の被験者に1,750件のマルチビュー参照イメージをペアリングする。 MMIG-Benchを用いて、Gemini 2.5 Pro、FLUX、DreamBooth、IP-Adapterを含む17の最先端モデルをベンチマークする。
  論文  参考訳（メタデータ） (2025-05-26T02:07:24Z)
• I Spy a Metaphor: Large Language Models and Diffusion Models Co-Create Visual Metaphors [38.70166865926743]
  言語メタファーから視覚的メタファーを生成するための新しい課題を提案する。 これは、暗黙的な意味と構成性をモデル化する能力を必要とするため、拡散ベースのテキスト-画像モデルにとって難しいタスクである。 我々は1,540の言語メタファーとそれに関連する視覚的エラボレートのための6,476の視覚的メタファーを含む高品質なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-05-24T05:01:10Z)
• Exploring Multi-Modal Representations for Ambiguity Detection & Coreference Resolution in the SIMMC 2.0 Challenge [60.616313552585645]
  会話型AIにおける効果的なあいまいさ検出と参照解決のためのモデルを提案する。 具体的には,TOD-BERTとLXMERTをベースとしたモデルを用いて,多数のベースラインと比較し,アブレーション実験を行う。 以上の結果から,(1)言語モデルでは曖昧さを検出するためにデータの相関を活用でき,(2)言語モデルではビジョンコンポーネントの必要性を回避できることがわかった。
  論文  参考訳（メタデータ） (2022-02-25T12:10:02Z)
• Metaphor Generation with Conceptual Mappings [58.61307123799594]
  我々は、関連する動詞を置き換えることで、リテラル表現を与えられた比喩文を生成することを目指している。 本稿では,認知領域間の概念マッピングを符号化することで生成過程を制御することを提案する。 教師なしCM-Lexモデルは,近年のディープラーニングメタファ生成システムと競合することを示す。
  論文  参考訳（メタデータ） (2021-06-02T15:27:05Z)
• Improving Generation and Evaluation of Visual Stories via Semantic Consistency [72.00815192668193]
  一連の自然言語キャプションが与えられた場合、エージェントはキャプションに対応する一連の画像を生成する必要がある。 それまでの作業では、このタスクで合成テキスト・画像モデルより優れた繰り返し生成モデルを導入してきた。 従来のモデリング手法には、デュアルラーニングフレームワークの追加など、いくつかの改善点を提示する。
  論文  参考訳（メタデータ） (2021-05-20T20:42:42Z)

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。