論文の概要: NutriBench-Kitchen: Benchmarking Embodied AI for Nutrition Management
- arxiv url: http://arxiv.org/abs/2609.07135v1
- Date: Mon, 07 Sep 2026 07:34:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 01:26:33.374544
- Title: NutriBench-Kitchen: Benchmarking Embodied AI for Nutrition Management
- Title（参考訳）: NutriBench-Kitchen: 栄養管理のための体操AIのベンチマーク
- Abstract要約: NutriBench-Kitchenは、動的キッチンにおける永続的な状態追跡と知識に基づく推論を研究するためのベンチマークである。
Nutri-Vgentは、エピソード、食品、レシピの記憶を分離した診断用長ビデオ剤である。
- 参考スコア（独自算出の注目度）: 37.27540802868034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An embodied kitchen assistant must do more than recognize food in isolated frames. It must track ingredient states over time and integrate visual observations with recipe and nutritional knowledge to support constraint-aware decision-making. We formalize this capability as \emph{Embodied Nutrition Management}: perceiving nutrition-relevant events, maintaining a persistent food state, and using it for knowledge-grounded planning. Existing benchmarks evaluate static food understanding or embodied cooking actions, but do not measure whether an agent can continuously update and use nutrition-relevant states in dynamic kitchens. To fill this gap, we introduce \textbf{NutriBench-Kitchen}, a benchmark containing 1,500 manually verified question--answer pairs from 160 cooking videos. It covers five task families: Ingredient Entry, Memory Management, Recipe Query, Long-Term Planning, and Short-Term Planning, spanning food-state construction, maintenance, knowledge retrieval, and decision-making across different planning horizons. Evaluations of proprietary and open-source large vision-language models reveal a substantial gap from human performance, particularly in quantitative ingredient estimation, long-term state tracking, and reasoning under interacting constraints. We further introduce \textbf{Nutri-Vgent}, a diagnostic long-video agent with separate episodic, food-state, and recipe memories. Its consistent improvements demonstrate the value of explicit state representations and structured memory for nutrition management. Together, NutriBench-Kitchen and Nutri-Vgent provide a testbed for studying persistent state tracking and knowledge-grounded reasoning in dynamic kitchens. Code is available at https://github.com/V1ol1n/NutriBench-Kitchen.
- Abstract（参考訳）: 具現化されたキッチンアシスタントは、孤立したフレームで食べ物を認識する以上のことをしなければならない。
成分状態は時間とともに追跡し、視覚的な観察とレシピと栄養知識を統合して、制約を意識した意思決定を支援する必要がある。
本稿では,栄養関連事象の認識,永続的な食品状態の維持,知識ベースプランニングの活用など,これらの機能を「emph{Embodied Nutrition Management}」として定式化する。
既存のベンチマークでは、静的食品の理解や調理行動の具体化が評価されているが、エージェントが動的キッチンで栄養関連状態を継続的に更新・使用できるかは測定されていない。
このギャップを埋めるために、160の調理ビデオから1500の質問対を手作業で検証したベンチマークである \textbf{NutriBench-Kitchen} を紹介する。
Ingredient Entry, Memory Management, Recipe Query, Long-Term Planning, Short-Term Planningの5つのタスクファミリーをカバーしている。
プロプライエタリでオープンソースの大規模視覚言語モデルの評価は、特に量的成分推定、長期状態追跡、相互作用する制約下での推論において、人間のパフォーマンスとはかなりの差を示している。
さらに, エピソード, 食品状態, レシピ記憶を分離した, 診断用長ビデオエージェントである \textbf{Nutri-Vgent} についても紹介する。
その一貫した改善は、栄養管理のための明示的な状態表現と構造化記憶の価値を示している。
NutriBench-KitchenとNutri-Vgentは共に、動的キッチンにおける永続的な状態追跡と知識に基づく推論を研究するためのテストベッドを提供している。
コードはhttps://github.com/V1ol1n/NutriBench-Kitchenで入手できる。
関連論文リスト
- OmniFood-Bench: Evaluating VLMs for Nutrient Reasoning and Personalized Health Advice [4.592259709047762]
MM-Food-100Kデータセットから構築した総合ベンチマークであるOmniFood-Benchを紹介する。
我々は6つの最先端大視野モデル(VLM)を評価する。
モデルは皿の命名においてほぼ人間に近い精度を達成するが、大量推定において破滅的な失敗を示し、高リスク糖尿病のプロファイルに対する良心的アドバイスを頻繁に幻覚させる。
論文 参考訳（メタデータ） (2026-07-09T12:46:00Z) - Food-R1: A Unified Multi-Task Food Vision-Language Model with Reinforcement Learning [44.68518637735983]
CalorieBench-80Kは、キュレートされたカロリーラベルと食事アドバイスアノテーションを備えた大規模ベンチマークである。
我々の知る限りでは、カロリー分析のためにChain-of-Thought(CoT)アノテーションを取り入れた初めての食品画像ベンチマークである。
また,多タスク学習パラダイムで訓練した統合食品VLMであるFood-R1を提案する。
論文 参考訳（メタデータ） (2026-06-03T15:07:12Z) - OmniFood8K: Single-Image Nutrition Estimation via Hierarchical Frequency-Aligned Fusion [32.43875223470578]
既存の食品データセットのほとんどは、主に西洋料理に焦点を当てており、中国の料理を十分に網羅していない。
我々は8,036個の食品サンプルからなる総合マルチモーダルデータセットであるOmniFood8Kを紹介する。
本稿では,1枚のRGB画像から栄養予測を行うためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-14T06:45:32Z) - V-Nutri: Dish-Level Nutrition Estimation from Egocentric Cooking Videos [12.073311694888687]
本研究では,エゴセントリックな調理ビデオから得られる調理プロセス情報が,食器レベルの栄養評価に寄与するかどうかを検討する。
本稿では,Nutrition5Kを前提とした視覚バックボーンと軽量核融合モジュールを組み合わせたフレームワークであるV-Nutriを提案する。
HD-EPICデータセットの実験では、プロセスキューが相補的な栄養的証拠を提供し、制御された条件下での栄養的推定を改善することが示されている。
論文 参考訳（メタデータ） (2026-04-13T18:04:58Z) - Advancing Food Nutrition Estimation via Visual-Ingredient Feature Fusion [69.84988999191343]
我々はファストフード(FastFood)について紹介する。ファストフード(FastFood)は、908のファストフードカテゴリーに84,446のイメージを持つデータセットで、成分や栄養のアノテーションが特徴である。
栄養推定の精度を高めるために,新しいモデル非依存型ビジュアル・イングレディエント・フィーチャー・フュージョン (VIF$2$) 法を提案する。
論文 参考訳（メタデータ） (2025-05-13T17:01:21Z) - NutrifyAI: An AI-Powered System for Real-Time Food Detection, Nutritional Analysis, and Personalized Meal Recommendations [14.036206693783198]
本稿では,先進的なコンピュータビジョン技術と栄養分析を組み合わせた総合システムを提案する。
予備的な結果は、即時かつ正確な食事の洞察を提供することによって、システムの有効性を示し、食品認識精度は80%近くである。
論文 参考訳（メタデータ） (2024-08-20T04:18:53Z) - How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。
本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。
本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文 参考訳（メタデータ） (2024-05-12T00:16:02Z) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳（メタデータ） (2023-11-20T11:05:20Z) - Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。
米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。
提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
論文 参考訳（メタデータ） (2022-06-05T02:41:44Z) - Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images
and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。
本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。
食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文 参考訳（メタデータ） (2020-03-09T07:41:17Z)
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。