論文の概要: SynDORBench: Evaluating LVLM Perceptual Robustness Under Physically Constrained Visibility Conditions
- arxiv url: http://arxiv.org/abs/2609.31823v1
- Date: Fri, 25 Sep 2026 17:20:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 05:21:45.319063
- Title: SynDORBench: Evaluating LVLM Perceptual Robustness Under Physically Constrained Visibility Conditions
- Title（参考訳）: SynDORBench:身体拘束視認性条件下でのLVLM知覚ロバスト性の評価
- Abstract要約: 我々は、大規模な視覚言語モデルを評価するための最初の物理基底ベンチマークであるSynDORBenchを紹介する。
16個のオープンソースLVLM, 商用LVLMベースライン, YOLO11xを, 人間のプレゼンス分類と行動認識タスクで評価した。
驚いたことに、いくつかのコンパクトなオープンソースLVLMはより大きな商用ベースラインを上回り、長距離および低照度条件下でのYOLO11xロバスト性を大幅に上回っている。
- 参考スコア（独自算出の注目度）: 20.4158207742244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large vision-language models (LVLMs) have demonstrated remarkable performance on multimodal reasoning benchmarks, yet their perceptual reliability under physically constrained imaging conditions remains poorly understood. Existing evaluations predominantly assume ideal visual inputs and therefore fail to characterize how camera distance, illumination, viewpoint, and pixel density fundamentally affect semantic recoverability. We introduce SynDORBench, the first physically grounded benchmark for evaluating LVLM perceptual robustness under DORI-calibrated conditions aligned with human visual capability standards. SynDORBench comprises over 54k question--answer pairs generated through a controllable synthetic pipeline that systematically varies viewing distance, lighting, camera geometry, and action pose according to physically interpretable pixel-density regimes. To support scalable low-visibility supervision, we further propose a discernibility annotation framework that propagates human perceptual labels using mask-conditioned statistical features and ensemble learning. We evaluate 16 open-source LVLMs, a commercial LVLM baseline, and YOLO11x across human-presence classification and action recognition tasks under progressively degraded visibility conditions. Our results reveal that perceptual failure in LVLMs is strongly governed by pixel density and physical imaging constraints rather than model scale alone. Surprisingly, several compact open-source LVLMs outperform larger commercial baselines and substantially exceed YOLO11x robustness under long-range and low-light conditions. SynDORBench establishes a new benchmark paradigm for physically grounded multimodal evaluation, enabling systematic analysis of LVLM reliability under real-world perceptual constraints and direct comparison against human visibility thresholds.
- Abstract（参考訳）: 大規模視覚言語モデル(LVLM)はマルチモーダル推論ベンチマークにおいて顕著な性能を示したが、物理的に制約された画像条件下での知覚的信頼性はいまだによく分かっていない。
既存の評価は、主に理想的な視覚入力を前提としており、カメラ距離、照明、視点、ピクセル密度がセマンティックリカバリ可能性にどのように影響するかを特徴付けることができない。
我々は,人間の視覚能力基準に適合したDORI校正条件下でLVLMの知覚的堅牢性を評価するための,最初の物理的根拠付きベンチマークであるSynDORBenchを紹介する。
SynDORBenchは、可視距離、照明、カメラ幾何学、アクションポーズを物理的に解釈可能なピクセル密度規則に従って体系的に変化させる制御可能な合成パイプラインを通じて生成される54k以上の質問応答ペアで構成されている。
スケーラブルな低視認性監視を支援するために,マスク条件の統計特徴とアンサンブル学習を用いて人間の知覚ラベルを伝播する識別アノテーションフレームワークを提案する。
16個のオープンソースLVLM, 商用LVLMベースライン, YOLO11xを, 段階的に劣化した視認性条件下での人間プレゼンス分類および行動認識タスクで評価した。
以上の結果から,LVLMの知覚障害は,モデルスケールのみではなく,ピクセル密度と物理画像の制約によって強く制御されていることが明らかとなった。
驚いたことに、いくつかのコンパクトなオープンソースLVLMはより大きな商用ベースラインを上回り、長距離および低照度条件下でのYOLO11xロバスト性を大幅に上回っている。
SynDORBenchは、実世界の知覚的制約下でのLVLM信頼性の体系的解析と、人間の視認性閾値との直接比較を可能にする、物理的基盤によるマルチモーダル評価のための新しいベンチマークパラダイムを確立する。
関連論文リスト
- Vision-Reasoning-Guided Occlusion Removal from Light Fields [1.1458853556386797]
オクルージョン・ロバストシーンの回復は、計算画像における大きな課題である。
本稿では,視覚刺激による光界遮断除去フレームワークを提案する。
劣化した構造物を復元する前の条件付きセマンティックは、観測された測定によって導かれる細部を復元する。
論文 参考訳（メタデータ） (2026-06-18T09:24:55Z) - Benchmarking Large Vision-Language Models on Fine-Grained Image Tasks: From Evaluation to Diagnosis [63.49939245944781]
我々は1100万の質問と0.28万の画像を含む総合的なきめ細かい評価ベンチマークであるFG-BMKを紹介する。
現在のLVLMは、視覚的表現、セマンティックグラウンドディング、モダリティアライメント、カテゴリーレベルの知識において、相互に絡み合ったボトルネックから生じる障害を伴って、微粒化認識器が不十分なままである。
論文 参考訳（メタデータ） (2026-06-17T13:23:26Z) - A Comparative Evaluation of Large Vision-Language Models for 2D Object Detection under SOTIF Conditions [2.7694879331630182]
本稿では、安全クリティカルな2次元物体検出のためのLVLM(Large Vision-Language Models)を体系的に評価する。
PeSOTIFデータセットは、ロングテール交通シナリオと環境劣化のベンチマークである。
LVLMは複雑な自然シナリオの25%以上をリコールしてYOLOベースラインを上回ります。
論文 参考訳（メタデータ） (2026-01-30T10:58:24Z) - ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。
具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。
本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文 参考訳（メタデータ） (2026-01-23T11:31:07Z) - Semantic Misalignment in Vision-Language Models under Perceptual Degradation [2.9140696506330723]
視覚知覚の制御下において視覚言語モデル(VLM)における意味的ミスアライメントについて検討する。
ダウンストリームVLMの動作に深刻な障害がみられ, 幻覚的対象の言及, 安全クリティカルな実体の欠落, 不整合性判定などが観察された。
以上の結果から,画素レベルのロバスト性とマルチモーダルなセマンティックな信頼性との明確な不一致が明らかとなり,現在のVLMシステムにとって重要な限界が浮き彫りになった。
論文 参考訳（メタデータ） (2026-01-13T09:13:05Z) - Robust-R1: Degradation-Aware Reasoning for Robust Visual Understanding [54.05243949024302]
既存の堅牢なMLLMは、視覚エンコーダの一般化にのみ焦点をあてた暗黙のトレーニング/適応に依存している。
本稿では,構造的推論連鎖による視覚的劣化を明示的にモデル化する新しいフレームワークであるRobust-R1を提案する。
提案手法は, (i) 劣化を考慮した推論基盤の微調整, (ii) 劣化パラメータを正確に知覚するための報酬駆動アライメント, (iii) 劣化強度に適応した動的推論深度スケーリングの2つを統合した。
論文 参考訳（メタデータ） (2025-12-19T12:56:17Z) - The Perceptual Observatory Characterizing Robustness and Grounding in MLLMs [44.71703930770065]
The Perceptual Observatoryは、顔マッチングやテキスト・イン・ビジョンの理解機能など、MLLMを垂直方向に特徴付けるフレームワークである。
知覚観測所はリーダーボードの精度を超えて、MLLMが摂動下での知覚的接地と関係構造をどのように保存するかについての洞察を得る。
論文 参考訳（メタデータ） (2025-12-17T20:22:23Z) - LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。
LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。
LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
論文 参考訳（メタデータ） (2025-11-04T08:11:23Z) - Measuring and Improving Chain-of-Thought Reasoning in Vision-Language Models [61.28463542324576]
視覚言語モデル(VLM)は近年,人間のような出力を生成できる視覚アシスタントとして,強力な有効性を示している。
我々は、既存の最先端のVLMを評価し、最高の性能モデルでさえ、強力な視覚的推論能力と一貫性を示すことができないことを発見した。
本稿では,VLMの推論性能と一貫性の向上を目的とした2段階トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-08T17:49:44Z)
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。