論文の概要: Can't Find Waldo: Evaluating VLMs' Sensitivity to Image Resolution and Detail Level

• arxiv url: http://arxiv.org/abs/2609.31706v1
• Date: Sun, 20 Sep 2026 08:59:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:36:16.05716
• Title: Can't Find Waldo: Evaluating VLMs' Sensitivity to Image Resolution and Detail Level
• Title（参考訳）: ウォルドが見つからない:VLMのイメージ解像度と詳細レベルに対する感度の評価
• Abstract要約: 本稿では,課題難易度から解決関連性能劣化を解消する制御評価フレームワークを提案する。 我々は、視覚トークン制限でのダウンサンプリングによる情報損失、パッチ境界シフトによるトークン化アーティファクト、トークン数の増加に伴う注意度低下の3つの主要な障害モードを特定した。 解析の結果,最先端モデルでさえ高解像度画像処理時の性能低下に悩まされていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 63.38234167102593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual Language Models (VLMs) have achieved remarkable success across diverse tasks, yet they struggle with high-resolution inputs where critical information resides in small regions or detailed, cluttered scenes. While several approaches address this limitation, a systematic understanding of why models fail at high resolutions is lacking. We introduce a controlled evaluation framework that disentangles resolution-related performance degradation from task difficulty through semantics-preserving transformations. We propose two simple metrics: Area Under the Scaling Curve (AUSC), which quantifies scaling robustness independent of baseline accuracy, and Prediction Variance Score (PVS), which measures resolution-induced prediction instability. Through comprehensive experiments across 5 model families and 5 benchmarks, we identify three primary failure modes: (1) information loss from downsampling at vision token limits, (2) tokenization artifacts from patch boundary shifts and positional encoding fragility under non-standard aspect ratios, and (3) attention dilution as token counts increase. Our analysis reveals that even state-of-the-art models suffer from performance drops when processing high-resolution images, with degradation patterns varying systematically by architectural family. We provide actionable insights for model architecture design and data augmentation strategies to mitigate these limitations.
• Abstract（参考訳）: 視覚言語モデル(VLM)は様々なタスクにまたがって顕著な成功を収めてきたが、重要な情報が小さな領域や細かな散らばったシーンに存在するような高精細な入力に苦慮している。 いくつかのアプローチはこの制限に対処するが、なぜ高解像度でモデルが失敗するのかという体系的な理解は欠如している。 本稿では,タスクの難易度からセマンティクス保存変換を通じて解決に関連する性能劣化を解消する制御評価フレームワークを提案する。 本研究では,AUSC(Area Under the Scaling Curve)とPVS(Prediction Variance Score)の2つの単純な尺度を提案する。 5つのモデルファミリーと5つのベンチマークの総合的な実験を通して、(1)視覚トークン制限でのダウンサンプリングによる情報損失、(2)パッチ境界シフトからのトークン化アーティファクト、および非標準アスペクト比での位置符号化脆弱性、(3)トークン数の増加による注意の希釈の3つの主要な障害モードを特定した。 解析の結果,最先端モデルでさえ高解像度画像処理時に性能低下に悩まされ,分解パターンはアーキテクチャファミリによって体系的に変化することがわかった。 これらの制限を緩和するために、モデルアーキテクチャ設計とデータ拡張戦略に対して実行可能な洞察を提供する。

関連論文リスト

• Evian: Towards Explainable Visual Instruction-tuning Data Auditing [14.93566912726999]
  本稿では,モデル応答を構成的認知要素に分解する「分解的評価」パラダイムを提案する。 このパラダイムを、画像テキスト一貫性、論理コヒーレンス、ファクチュアル正確性の軸に沿ってこれらのコンポーネントを評価する自動化フレームワークであるEVIANを介してインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-22T13:28:27Z)
• Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions [11.262875405161417]
  視覚異常検出(VAD)は、産業検査や医療を含む多くのアプリケーションにとって重要な課題である。 本ベンチマークは, 協調効率および適応性制約下での最適バックボーン法とVOD法の選択に関するガイダンスを提供する。 本稿では,3つの軽量バックボーンアーキテクチャにまたがる7つのVADモデルの評価を行い,連続学習シナリオにおけるエッジ上でのVADの総合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-04-07T20:19:34Z)
• VLM-RobustBench: A Comprehensive Benchmark for Robustness of Vision-Language Models [64.56065206447788]
  ビジョン言語モデル(VLM)は、標準の高品質なデータセット上で強力なパフォーマンスを達成する。 VLM-RobustBenchはノイズ、ブラー、天気、デジタル、幾何学にまたがる49種類の拡張型にまたがるベンチマークである。 低重度空間摂動は、視覚的に重度な光度劣化よりも、しばしば性能を低下させる。
  論文  参考訳（メタデータ） (2026-03-06T10:58:02Z)
• Capability Ceilings in Autoregressive Language Models: Empirical Evidence from Knowledge-Intensive Tasks [0.2538209532048866]
  知識集約型タスクにおけるデコーダのみの自己回帰言語モデルにおける機能天井の文書化を行う。 我々は、OPTおよびPythiaモデルファミリーの能力特異的スケーリング障害を定量化し、リソース割り当て決定を通知する。
  論文  参考訳（メタデータ） (2025-10-23T11:09:31Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Bayesian Multi-Scale Neural Network for Crowd Counting [0.0]
  クラウドカウントは、コンピュータビジョンにおいて難しいが重要なタスクである。 密度マップを推定する畳み込みニューラルネットワーク(CNN)を用いた最近の進歩は大きな成功を収めている。 これらの課題を効果的に解決する新しいディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-07-11T21:43:20Z)

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。