論文の概要: Groundbench: Multi-Resolution Polygon Grounding Exposes the Geometry Gap in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.27821v1
• Date: Tue, 18 Aug 2026 17:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.976496
• Title: Groundbench: Multi-Resolution Polygon Grounding Exposes the Geometry Gap in Vision-Language Models
• Title（参考訳）: 接地ベンチ:多解ポリゴングラウンドは視覚・言語モデルにおける幾何ギャップを露呈する
• Abstract要約: RefCOCOファミリーでのバウンディングボックススコアは、フロンティア視覚言語システムを区別する余地がほとんどない。 GroundingBenchは、同じ1500の画像表現参照トリプルを5つの予算で正確にNに再ターゲットするベンチマークである。
• 参考スコア（独自算出の注目度）: 1.4943316571343976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bounding-box scores on RefCOCO-family grounding leave little room to distinguish frontier vision-language systems, yet boxes discard object shape. We introduce GroundingBench, a matched benchmark that re-targets the same 1,500 image-expression-referent triples to exact-N polygons at five vertex budgets. A fixed-denominator harness separately audits filled-region intersection over union (IoU) and legal-polygon completion. The strongest tested configuration reaches 88.2 box IoU and 97.1 accuracy at IoU >= .5 (Acc@.5), versus 57.7 and 69.2 for direct polygons; because these headline scores use different references, we also compare direct polygons with predicted boxes rasterised against the same contour target, obtaining 57.7 versus 57.3 when pooled. Performance is non-monotone in N and collapses at the densest budget, where legality failures compound residual geometric error. Qwen's thinking-setting contrast is the largest tested input-preserving configuration difference; under frozen templates, false spatial cues are more damaging than false colour cues, and target preference can remain high while contour tracing is poor. Alternate masks and a continuous-area scorer preserve the principal ordering. GroundingBench therefore measures an operational output-geometry gap spanning localisation, boundary construction, serialisation, and topology, rather than latent boundary perception alone.
• Abstract（参考訳）: RefCOCOファミリーでのバウンディングボックスのスコアは、フロンティアの視覚言語システムを区別する余地がほとんどないが、ボックスはオブジェクトの形状を捨てる。 GroundingBenchは、同じ1500個の画像表現参照トリプルを5つの頂点予算で正確なNポリゴンに再ターゲットするマッチングベンチマークである。 固定デノミネータは、ユニオン(IoU)と法定ポリゴンの完全性に関する地域交点を別々に監査する。 IoU >= .5 (Acc@.5) で88.2 のボックス IoU と97.1 の精度に達するのに対して、直接ポリゴンは57.7 と 69.2 である。 N は非単調であり、最も高密度な予算で崩壊する。 クウェンの思考設定のコントラストは、最もテストされた入力保存構成の違いであり、凍結テンプレートの下では、偽の空間的手がかりは偽色の手がかりよりも損傷を受けやすく、輪郭追跡が貧弱である間にターゲットの嗜好は高いままである。 代替マスクと連続エリアスコアラーは、主注文を保存する。 グラウンディングベンチは、潜在境界知覚のみではなく、局所化、境界構築、直列化、トポロジーにまたがる運用出力-幾何学的ギャップを測定する。

関連論文リスト

• DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
  長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
  論文  参考訳（メタデータ） (2026-09-16T14:57:11Z)
• Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
  CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。 70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
  論文  参考訳（メタデータ） (2026-08-27T19:19:07Z)
• LoRetta: A Foundation Model and Extensive Dataset for Global-Scale Remote Sensing Dense Image Matching [39.25581475845445]
  一致可能性を考慮したアフィンの局所化と高密度登録を導出する基礎モデルであるLoRettaを提案する。 また、LEVIR-GMは、データセット固有のマッチング性ラベルを持つグローバルスケールの多時間光マッチングベンチマークである。 LEVIR-GMでは、ローレッタは曲線(AUC)の83.3%の領域を達成し、最強のベースラインであるRoMa v2を1.6ポイント上回っている。
  論文  参考訳（メタデータ） (2026-08-04T18:02:19Z)
• CrossProjection: Geometric Grounding Beyond Viewpoint Change in Architectural Drawings [13.010314444320384]
  CrossProjectionは、視覚言語モデルがコンポーネントのアイデンティティを保持し、不均一なビューにわたって幾何学を外部化するかどうかをアンカーグラウンドで診断する。 分類的判断、候補選択、自由点、線、領域のローカライゼーションを通じてマッチング、登録、幾何学的グラウンドを評価する。
  論文  参考訳（メタデータ） (2026-08-01T06:51:38Z)
• GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。 我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
  論文  参考訳（メタデータ） (2026-07-28T05:59:23Z)
• LCMamNet: A Lightweight Cross-scale Mamba Network for Infrared Small Target Detection [53.811713750107934]
  赤外線小ターゲット検出のための軽量クロススケールマンバネットワークであるLCMamNetを提案する。 十字形指向性ボトルネック残差ブロックを有するコンパクト階層型エンコーダは、指向性ターゲット構造を強化する。 IRSTD-1k、NUAA-SIRST、NUDT-SIRSTの実験では、提案したネットワークがそれぞれ71.25%、79.60%、95.58%のmIoUスコアを達成した。
  論文  参考訳（メタデータ） (2026-07-27T09:06:14Z)
• GAP-GDRNet: Geometry-aware monocular 6D pose estimation for spacecraft using synthetic geometric supervision [7.240627719297504]
  GAP-GDRNetはGDR-Net上に構築された単一ターゲットの合成宇宙船ベンチマーク用のフレームワークである。 Blenderベースのレンダリングアノテーションプロセスから、デンス管理を得る。 自作の宇宙船データセットでは、GAP-GDRNetの回転誤差は1.96circ$で、翻訳誤差は0.0165m、ADD@0.02mが95.16%である。
  論文  参考訳（メタデータ） (2026-07-02T16:02:24Z)
• Rethinking the Encoding and Annotating of 3D Bounding Box: Corner-Aware 3D Object Detection from Point Clouds [69.84768614060559]
  中心方向の回帰はLiDARベースの3Dオブジェクト検出において依然として支配的だが、基本的な不安定さに悩まされている。 本稿では,予測対象を不安定な中心から幾何学的情報的コーナーへシフトするコーナーアライン回帰を提案する。 我々は、既存の検出器に差し込むことができる、シンプルで効果的なコーナー認識検出ヘッドを設計する。
  論文  参考訳（メタデータ） (2025-11-18T13:49:30Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Wide-Depth-Range 6D Object Pose Estimation in Space [124.94794113264194]
  宇宙での6Dポーズ推定は、地上環境では一般的に遭遇しないユニークな課題を引き起こします。 最も顕著な違いの1つは、大気の散乱の欠如であり、物体を遠くから見えるようにします。 本稿では,単一段階の階層型エンドツーエンドトレーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T08:39:26Z)

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。