論文の概要: Scientific Image Quality Assessment via Multi-modal Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2609.19634v1
- Date: Thu, 17 Sep 2026 03:27:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.088029
- Title: Scientific Image Quality Assessment via Multi-modal Retrieval-Augmented Generation
- Title（参考訳）: マルチモーダル検索による画像品質評価
- Abstract要約: テキストのセマンティクスと細かな視覚的特徴を統合したマルチモーダルインデックスを構築する。
我々は,多経路検索と融合機構を開発し,関連性の高い参照ケースを持つ大規模言語モデルを提供する。
本手法は,ICME 2026 Grand ChallengesにおけるSIQAチャレンジのSIQA-Uトラックにおいて,第1位を達成している。
- 参考スコア（独自算出の注目度）: 28.601405172376705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a Retrieval-Augmented Generation (RAG) framework for scientific image quality assessment, designed to simultaneously address both the understanding track (SIQA-U) and the scoring track (SIQA-S) of the SIQA challenge. We construct a multimodal index that integrates textual semantics with fine-grained visual features, and develop a multi-route retrieval and fusion mechanism to provide large language models with highly relevant reference cases, thereby enhancing their capability to evaluate complex scientific images. Experimental results demonstrate that the proposed framework effectively aligns with the judgment criteria of human experts. Ultimately, our method achieves 1st place in the SIQA-U track of the SIQA challenge at the ICME 2026 Grand Challenges.
- Abstract（参考訳）: 本稿では,SIQA課題の理解トラック(SIQA-U)とスコアトラック(SIQA-S)を同時に扱うために,科学的画像品質評価のための検索・拡張生成(RAG)フレームワークを提案する。
本研究では,テキストのセマンティクスをきめ細かな視覚的特徴と統合したマルチモーダルインデックスを構築し,多経路検索・融合機構を開発し,関連性の高い参照ケースを持つ大規模言語モデルを提供することにより,複雑な科学的画像を評価する能力を向上させる。
実験の結果,提案手法は人的専門家の判断基準と効果的に一致していることがわかった。
最終的に,本手法はICME 2026 Grand ChallengesにおけるSIQAチャレンジのSIQA-Uトラックで1位となる。
関連論文リスト
- A Pathway to General-Purpose Scientific AI: Multimodal Comprehension of Scientific Images [0.7841007925246694]
ALD/E-ImageMinerベンチマークとICDAR 2026 Competition on Information extract from Atomic Layer Deposition/Etching Scientific Figuresは205の出版物から1,951の数字を提供している。
我々は、ベンチマークが将来の科学的イメージの課題をどのように導くかについて、先見的な視点を示す。
論文 参考訳（メタデータ） (2026-08-14T08:34:33Z) - SciMDR: Benchmarking and Advancing Scientific Multimodal Document Reasoning [59.93568326270048]
集中セグメント上での忠実で孤立したQAペアを生成する合成合成フレームワークを提案する。
クロスモーダル理解のための大規模トレーニングデータセットであるSciMDRを構築した。
実験により、SciMDRモデルは複数の科学的QAベンチマークで大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2026-03-12T17:57:52Z) - SIQA: Toward Reliable Scientific Image Quality Assessment [72.41803245808924]
我々は,2つの相補的な次元に沿って,科学的画質をモデル化するフレームワークであるSIQA(Scientific Image Quality Assessment)を紹介する。
SIQA-U (Understanding), SIQA-S (Scoring), SIQA-U (Understanding), SIQA-U (Understanding), SIQA-U (Understanding), SIQA-U (Understanding), SIQA-U (Understanding) の2つの評価プロトコルを設計した。
代表的マルチモーダル大言語モデル(MLLM)に対する実験は、アライメントアライメントと科学的理解の間に一貫した相違が見られる。
論文 参考訳（メタデータ） (2026-03-05T06:57:26Z) - Cognitively Diverse Multiple-Choice Question Generation: A Hybrid Multi-Agent Framework with Large Language Models [4.155649113742267]
ReQUESTAは認知学的に多様な多目的質問(MCQ)を生成するためのハイブリッドマルチエージェントフレームワークである
本研究では,学術論文を用いた大規模読解学習における枠組みの評価を行った。
その結果、ReQUESTA生成項目は、より困難であり、差別的であり、全体的な読解能力と強く一致していることがわかった。
論文 参考訳（メタデータ） (2026-02-03T16:26:47Z) - AGHI-QA: A Subjective-Aligned Dataset and Metric for AI-Generated Human Images [58.87047247313503]
本稿では,人体画像の品質評価のための大規模ベンチマークAGHI-QAを紹介する。
データセットは、400の慎重に作成されたテキストプロンプトから生成される4,000の画像で構成され、10の最先端のT2Iモデルを使用している。
我々は,視覚的品質スコア,テキスト画像対応スコア,可視および歪んだ身体部分ラベルを含む多次元アノテーションの収集のために,体系的な主観的研究を行う。
論文 参考訳（メタデータ） (2025-04-30T04:36:56Z) - ImageScope: Unifying Language-Guided Image Retrieval via Large Multimodal Model Collective Reasoning [62.61187785810336]
ImageScopeは、トレーニング不要で3段階のフレームワークで、言語誘導の画像検索タスクを統合する。
最初の段階では,様々な意味的粒度のレベルにまたがって探索意図を合成することにより,フレームワークの堅牢性を向上させる。
第2段階と第3段階において、述語命題を局所的に検証し、一括評価を行うことにより、検索結果を反映する。
論文 参考訳（メタデータ） (2025-03-13T08:43:24Z) - M3-AGIQA: Multimodal, Multi-Round, Multi-Aspect AI-Generated Image Quality Assessment [65.3860007085689]
M3-AGIQAは、AI生成画像のより人間らしく総合的な評価を可能にする包括的なフレームワークである。
モデル出力を人間の判断とより密接に整合させることで、M3-AGIQAは堅牢で解釈可能な品質スコアを提供する。
論文 参考訳（メタデータ） (2025-02-21T03:05:45Z)
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。