論文の概要: Thinking in Pictures: A Systematic Benchmark for Reasoning-driven Image Generation
- arxiv url: http://arxiv.org/abs/2609.02864v1
- Date: Wed, 02 Sep 2026 17:48:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.484683
- Title: Thinking in Pictures: A Systematic Benchmark for Reasoning-driven Image Generation
- Title（参考訳）: 写真の思考:推論駆動画像生成のためのシステムベンチマーク
- Abstract要約: 統一生成モデル(UGM)と世界シミュレーターは、視覚知覚と合成において前例のない結果を得た。
これらのモデルは表面レベルのイベントアライメントに依存しており、高レベルの視覚的推論の能力は未探索のままである。
我々は,Reasoning-driven Image Generation(RIG)を4つの認知的要求領域にわたって体系的に評価する,新しい総合ベンチマークであるRIG-BENCHを紹介する。
- 参考スコア（独自算出の注目度）: 40.047506660824915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in unified generative models (UGMs) and world simulators have achieved unprecedented results in visual perception and synthesis. However, these models primarily rely on surface-level event alignment, leaving the capacity for high-level visual reasoning underexplored. True visual generative intelligence demands "Reasoning-to-Generation", an ability to infer latent rules from visual inputs and manifest solutions through precise, logically constrained visual outcomes. We introduce RIG-BENCH, a novel comprehensive benchmark that systematically evaluates Reasoning-driven Image Generation (RIG) across four cognitively demanding domains: Concept-based, Transformation-based, Pattern & Structure, and Scenario-based. Featuring 2000 curated samples, RIG-BENCH serves as a rigorous stress test for RIG. Our extensive evaluations of state-of-the-art UGMs and image/video generation models reveal a significant reasoning-generation gap, wherein models frequently produce locally plausible but globally illogical outputs. RIG-BENCH provides a vital diagnostic framework to guide the development of next-generation, logically grounded UGMs and world simulators.
- Abstract（参考訳）: 統合生成モデル(UGM)と世界シミュレータの最近の進歩は、視覚知覚と合成において前例のない成果を上げている。
しかし、これらのモデルは主に表面レベルのイベントアライメントに依存しており、高レベルの視覚的推論の能力は過小評価されている。
真の視覚生成知能は「推論から生成へ」(Reasoning-to-Generation)を要求する。
我々は,Reasoning-driven Image Generation(RIG)を,概念ベース,変換ベース,パターン&構造,シナリオベースという4つの認知的要求領域にわたって体系的に評価する,新たな総合ベンチマークであるRIG-BENCHを紹介する。
RIG-BENCHは2000年のキュレートされたサンプルを持ち、RIGの厳格なストレステストとして機能する。
現状のUGMと画像/ビデオ生成モデルの広範な評価により、モデルが局所的に可塑性だがグローバルに非論理的な出力をしばしば生成する、顕著な推論・生成のギャップが明らかとなった。
RIG-BENCHは、次世代の論理的基盤を持つUGMと世界シミュレータの開発をガイドする重要な診断フレームワークを提供する。
関連論文リスト
- Do Transformations Reveal the Truth? Generative Residual Learning for Generalized AI-Generated Image Detection [2.2672499384619993]
GenResは、ニューラルテンソルネットワークを介して残留学習を生成するための新しいフレームワークである。
GenRes++は学習可能なアテンションメカニズムを使用して、複数の変換されたサンプル間でリレーショナル機能を集約する。
複数のベンチマークデータセットの実験では、提案されたGenRes++アプローチが既存のメソッドより優れていることが示されている。
論文 参考訳（メタデータ） (2026-07-09T16:36:54Z) - RS-Gen: A Multi-Stage Agentic Framework for Reasoning and Search-Augmented Image Generation [12.610942044025473]
本稿では,プラグイン・アンド・プレイ,トレーニングフリー,マルチステージ・イメージエージェント・フレームワークRS-Genを提案する。
RS-Genは、論理問題と知識ギャップを正確に識別するクエスト・アンド・ソルビング(Questioning-and-Solving)クローズドループ機構を革新的に導入している。
WISE Verified と RISEBench のベンチマークでは、RS-Gen は Qwen-Image で0.313、Qwen-Image-Edit-2511 で19.70 の絶対的なパフォーマンス向上を達成している。
論文 参考訳（メタデータ） (2026-06-22T12:09:29Z) - UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? [50.92401586025528]
統一マルチモーダルモデルは、最近強力な生成能力を示したが、生成が理解を改善したかどうかはまだ不明である。
提案するUniG2U-Benchは,G2U(Generation-to-understanding)評価を7つのシステマと30のサブタスクに分類する総合ベンチマークである。
論文 参考訳（メタデータ） (2026-03-03T18:36:16Z) - RL-RIG: A Generative Spatial Reasoner via Intrinsic Reflection [18.52946282633359]
RL-RIGは、リフレクションベースの画像生成のための強化学習フレームワークである。
我々は,VLMアクタにプロンプトを編集するためのReflection-GRPOと,与えられたプロンプト下での画質向上のためのイメージエディタを開発する。
実験結果から,RL-RIGは既存のオープンソースモデルよりも最大11%優れており,画像生成における空間的推論の制御が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-02-23T15:39:53Z) - Can World Simulators Reason? Gen-ViRe: A Generative Visual Reasoning Benchmark [48.02995109011304]
ビデオ生成モデルは、Chain-of-Frames (CoF)推論を通じて、潜在的な世界シミュレータとして登場した。
既存のベンチマークは、忠実さやアライメントに重点を置いており、CoFの推論を評価していない。
我々は,認知科学と実世界のAI応用を基盤としたフレームワークであるGen-ViReを紹介する。
論文 参考訳（メタデータ） (2025-11-17T19:11:39Z) - RAG-IGBench: Innovative Evaluation for RAG-based Interleaved Generation in Open-domain Question Answering [50.42577862494645]
本稿では,RAG-IG(Retrieval-Augmented Generation)に基づくインターリーブドジェネレーション(Interleaved Generation)の課題を評価するためのベンチマークであるRAG-IGBenchを提案する。
RAG-IGは、MLLM(Multimodal large language model)と検索機構を統合し、モデルがコヒーレントなマルチモーダルコンテンツを生成するための外部画像テキスト情報にアクセスできるようにする。
論文 参考訳（メタデータ） (2025-10-11T03:06:39Z) - ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL [54.100889131719626]
連鎖推論と強化学習がNLPの突破口となった。
我々はReasonGen-R1を紹介した。ReasonGen-R1は自動回帰画像生成器に明示的なテキストベースの「思考」スキルを付与するフレームワークである。
ReasonGen-R1は、強いベースラインや先行技術モデルよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-05-30T17:59:48Z) - Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing [84.16442052968615]
RISEBenchはReasoning-Informed ViSual Editing (RISE)の最初のベンチマークである。
RISEBenchは、時間、因果、空間、論理的推論の4つの主要な推論カテゴリに焦点を当てている。
オープンソースモデルとプロプライエタリモデルの両方を含む,9つの目立った視覚編集モデルを評価する実験を行った。
論文 参考訳（メタデータ） (2025-04-03T17:59:56Z) - RealRAG: Retrieval-augmented Realistic Image Generation via Self-reflective Contrastive Learning [54.07026389388881]
第1回リアルタイムオブジェクトベース検索拡張生成フレームワーク(RealRAG)を提案する。
RealRAGは、生成モデルの知識ギャップを克服するために、現実世界の画像の学習と検索によって、細粒で目に見えない新しいオブジェクトを生成する。
本フレームワークは, 生成モデルに対するきめ細かな視覚的知識を統合し, 歪み問題に対処し, オブジェクト生成における現実性を改善する。
論文 参考訳（メタデータ） (2025-02-02T16:41:54Z)
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。