論文の概要: Benchmarking the Explanatory Quality of Open-Weight Vision-Language Models in Face Recognition

• arxiv url: http://arxiv.org/abs/2609.21879v1
• Date: Fri, 18 Sep 2026 15:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.159527
• Title: Benchmarking the Explanatory Quality of Open-Weight Vision-Language Models in Face Recognition
• Title（参考訳）: 顔認識におけるオープンウェイト視線モデルの説明品質のベンチマーク
• Abstract要約: VLMに基づく顔認識のためのベンチマークフレームワークを提案する。 説明が満足すべき2つの基準を提案する。 オープンウェイトVLMのいくつかのファミリーをベンチマークし、顔の検証精度と説明品質を共同評価した。
• 参考スコア（独自算出の注目度）: 30.24519065442108
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-Language Models (VLMs) have recently been proposed as promising tools for face recognition, as they can produce natural language explanations alongside similarity scores. This capability is considered appealing for face comparisons in forensic contexts, which require decisions to be transparent and auditable. However, existing evaluations of VLMs for that use case focus mostly on recognition accuracy, while the validity of generated explanations remains unquantified. In this work, we introduce a benchmarking framework for VLM-based face recognition that treats explanation quality as a core evaluation axis. We propose two criteria that explanations should satisfy: relevance, i.e., reliance on identity-stable facial features; and faithfulness, i.e., alignment with the visible image content without hallucinated features. We jointly develop a methodology enabling the quantification of relevance and faithfulness of evaluated models, based on constraining model outputs to a structured explanation format that supports automated querying and auditing. Using this framework, we benchmark several families of open-weight VLMs, jointly evaluating face verification accuracy and explanation quality. Our results highlight remaining shortcomings of produced explanations, and emphasize the need for such explanation quality metrics to get a complete picture of model performance. The proposed benchmark and open-source evaluation harness provide a foundation for proper benchmarking and future fine-tuning of explainable face recognition systems.
• Abstract（参考訳）: VLM(Vision-Language Models)は最近、類似度スコアとともに自然言語の説明を生成することができるため、顔認識のための有望なツールとして提案されている。 この能力は、透明で監査可能な決定を必要とする法医学的文脈における顔の比較に魅力があると考えられている。 しかし、VLMの既存の評価は、主に認識精度に焦点が当てられているが、生成した説明の妥当性は定かではない。 本稿では,VLMに基づく顔認識のためのベンチマークフレームワークについて紹介する。 本研究は, 自己認識型顔特徴への依存, および忠実さ, 幻覚的特徴を伴わない可視像内容との整合性という, 説明が満足すべき2つの基準を提案する。 自動クエリと監査をサポートする構造化説明形式への制約モデル出力に基づく評価モデルの妥当性と忠実性の定量化を可能にする方法論を共同で開発する。 このフレームワークを用いて、顔の検証精度と説明品質を共同で評価し、オープンウェイトなVLMのいくつかのファミリーをベンチマークする。 結果から,生成した説明の欠点を浮き彫りにし,モデル性能の全体像を得るための品質指標の必要性を強調した。 提案したベンチマークとオープンソース評価ハーネスは、適切なベンチマークと説明可能な顔認識システムの今後の微調整のための基盤を提供する。

関連論文リスト

• Vision Language Model Fusion for Explainable Face Recognition [8.078681487621667]
  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。
  論文  参考訳（メタデータ） (2026-08-25T11:44:31Z)
• DiffCap-Bench: A Comprehensive, Challenging, Robust Benchmark for Image Difference Captioning [26.88130913151649]
  画像差分キャプション(IDC)は、2つの画像の違いを正確に識別する言語記述を生成する。 DiffCap-Benchは10の異なるカテゴリをカバーする総合的なIDCベンチマークである。 また,人間の有意差分リストに基づくLCM-as-a-Judge評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-05-06T05:12:41Z)
• 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)
• F-Bench: Rethinking Human Preference Evaluation Metrics for Benchmarking Face Generation, Customization, and Restoration [52.58634726389668]
  我々は、人間の好みを反映したきめ細かい品質アノテーションを備えたAI生成顔画像の大規模かつ包括的なデータベースFaceQを紹介する。 FaceQデータベースは、(1)顔生成、(2)顔のカスタマイズ、(3)顔の復元という3つのタスクで29のモデルで生成された12,255のイメージで構成されている。 180のアノテータから32,742の平均世論スコア(MOS)が含まれており、品質、信頼性、IDの忠実さ、テキスト画像の対応性など多岐にわたって評価されている。
  論文  参考訳（メタデータ） (2024-12-17T18:28:48Z)
• Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions [75.45274978665684]
  VLU(Vision-Language Understanding)ベンチマークには、提供されたコンテキストによってサポートされない仮定に答えが依存するサンプルが含まれている。 サンプル毎にコンテキストデータを収集し,エビデンスに基づくモデル予測を促進するためにコンテキスト選択モジュールをトレーニングする。 我々は,十分なコンテキストを欠いたサンプルを同定し,モデル精度を向上させる汎用なコンテキスト・アワレ認識検出器を開発した。
  論文  参考訳（メタデータ） (2024-05-18T02:21:32Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Open-ended VQA benchmarking of Vision-Language models by exploiting Classification datasets and their semantic hierarchy [27.454549324141087]
  本稿では、よく知られた視覚分類データセットに基づく新しいVQAベンチマークを提案する。 また,ラベル空間のセマンティックな階層構造を用いて,基底構造カテゴリに関するフォローアップ質問を自動的に生成することを提案する。 私たちの貢献は、より正確で有意義な評価の基礎を築くことを目的としています。
  論文  参考訳（メタデータ） (2024-02-11T18:26:18Z)
• Benchmarking Zero-Shot Recognition with Vision-Language Models: Challenges on Granularity and Specificity [45.86789047206224]
  本稿では,ゼロショット認識における視覚言語モデル(VLM)の評価のための新しいベンチマークを提案する。 我々のベンチマークは、意味的粒度レベルにおける概念理解におけるVLMの一貫性と、テキストの特異性に対する応答を検証した。 発見によると、VLMは微粒な概念を適度に好み、特異性に苦しむ。
  論文  参考訳（メタデータ） (2023-06-28T09:29:06Z)

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。