論文の概要: Presence Is Not Faithfulness: Figurative Vehicle Intrusion in Text-to-Image Generation

• arxiv url: http://arxiv.org/abs/2609.32188v1
• Date: Sat, 26 Sep 2026 03:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:04:27.868194
• Title: Presence Is Not Faithfulness: Figurative Vehicle Intrusion in Text-to-Image Generation
• Title（参考訳）: 存在は偽りではない: テキスト・画像生成における図形車両の侵入
• Abstract要約: テキスト・ツー・イメージ(TTI)モデルは、自然言語のプロンプトから高品質な画像を生成する傾向にある。 しかし、図形言語は失敗を露呈する: テナーの描写を導くべき車両は、代わりに可視物体として表現される。 フィギュラティブフォームとマッピング機構によって編成された図形的プロンプトのベンチマークであるVISTA(Vanger Intrusion and Semantic Tenor Assessment)を紹介する。 生成した画像における役割認識の具象的忠実度を評価する診断的質問答え尺度であるV-Scoreを提案する。
• 参考スコア（独自算出の注目度）: 12.762841310820122
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Text-to-image (TTI) models increasingly generate high-quality images from natural-language prompts, yet figurative language exposes a failure: a vehicle that should guide the depiction of a tenor may instead be rendered as a visible object. We call this failure Figurative Vehicle Intrusion: the intruding content is textually licensed, but it is assigned the wrong visual role, showing that visual presence is not always faithfulness and that presence-oriented evaluation can miss such errors. To study it systematically, we introduce Vehicle Intrusion and Semantic Tenor Assessment (VISTA), a multilingual benchmark of figurative prompts organized by Figurative Form and Mapping Mechanism. We further propose V-Score, a diagnostic question-answering metric that evaluates role-aware figurative faithfulness in generated images. Evaluations on recent high-performing TTI models show that vehicle intrusion persists across languages and figurative categories. As a lightweight mitigation, we introduce VISTA-Guard, which partially reduces vehicle intrusion and suggests a practical path toward more figuratively faithful TTI generation. All resources will be released publicly.
• Abstract（参考訳）: テキスト・トゥ・イメージ(TTI)モデルは、自然言語のプロンプトから高品質な画像を生成する傾向にあるが、図形的な言語は失敗を露呈する。 侵入したコンテンツはテキストでライセンスされているが、視覚的役割が間違っており、視覚的存在が常に忠実であるとは限らないことを示し、存在指向評価がそのような誤りを見逃す可能性があることを示す。 図形とマッピング機構によって構成された図形的プロンプトの多言語ベンチマークであるVISTA(Vanger Intrusion and Semantic Tenor Assessment)を導入する。 さらに,V-Scoreを提案する。V-Scoreは,生成画像における役割認識の具象的忠実度を評価する診断的質問答え尺度である。 最近の高性能TTIモデルの評価は、車両の侵入が言語や図形カテゴリーにわたって持続していることを示している。 軽量化としてVISTA-Guardを導入し、車両の侵入を部分的に減らし、より具体的で忠実なTTI生成への実践的な道筋を示唆する。 すべてのリソースは公開されます。

関連論文リスト

• Real Images, Worse Judgments: Evaluating Vision-Language Models on Concreteness and Imagery [21.95600321802019]
  視覚言語モデルが語彙的判断における偶発的画像文脈と有用な視覚的証拠を区別できるかどうかを考察する。 実画像のコンテキストは、一貫した利得を得られず、しばしば人間のレーティングとの整合性を損なう。 以上の結果から,現在のVLMでは,視覚的コンテキストが語彙的判断に影響を及ぼす場合のキャリブレーションの精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-05-26T17:24:59Z)
• GLAD: Generative Language-Assisted Visual Tracking for Low-Semantic Templates [48.65964582402597]
  視覚言語追跡は多くのシナリオで注目を集めている。 現在の視覚言語トラッカーは通常、テンプレート、検索、テキスト機能のインタラクティブな統合にTransformerアーキテクチャを使用する。 本稿では,テキスト記述とテンプレート画像の多モード融合のための拡散モデルを用いたジェネレーティブ言語・アシステD追跡モデルGLADを提案する。
  論文  参考訳（メタデータ） (2026-01-31T07:24:56Z)
• Quality Text, Robust Vision: The Role of Language in Enhancing Visual Robustness of Vision-Language Models [17.259725776748482]
  頑健な微調整のための既存の敵の訓練手法は、視覚的堅牢性を高める上での言語の役割を概ね見落としている。 本研究では,QT-AFT(Quality Text-guided Adversarial Fine-Tuning)を提案する。 QT-AFTは、16のゼロショットデータセットで評価された、最先端のゼロショット対向ロバスト性とクリーンな精度を達成する。
  論文  参考訳（メタデータ） (2025-07-22T06:13:30Z)
• ViCrit: A Verifiable Reinforcement Learning Proxy Task for Visual Perception in VLMs [98.27348724529257]
  ViCrit (Visual Caption Hallucination Critic) は、VLMを訓練し、人間の手書き画像キャプションの段落に挿入された微妙で合成的な視覚幻覚をローカライズするRLプロキシタスクである。 ViCrit Taskでトレーニングされたモデルは、さまざまなビジョン言語モデルベンチマークで大幅に向上している。
  論文  参考訳（メタデータ） (2025-06-11T19:16:54Z)
• PerturboLLaVA: Reducing Multimodal Hallucinations with Perturbative Visual Training [56.172959986096316]
  本稿では,マルチモーダル大規模言語モデル(MLLM)における幻覚の課題を解決することを目的とする。 HalFscoreは言語グラフ上に構築された新しい計量であり、密度の高いキャプションの精度と完全性の両方を粒度レベルで評価するように設計されている。 PerturboLLaVAは、生成されたキャプションの忠実度を著しく改善し、マルチモーダル幻覚に対する既存のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2025-03-09T07:07:03Z)
• Prompt-driven Transferable Adversarial Attack on Person Re-Identification with Attribute-aware Textual Inversion [17.18411620606476]
  本稿では,歩行者画像の微細な意味的特徴を損なうために,Attribute-aware Prompt Attack (AP-Attack)を導入する。 AP-Attackは最先端の転送可能性を実現し、従来の手法よりも22.9%上回った。
  論文  参考訳（メタデータ） (2025-02-27T02:32:58Z)
• Attend-and-Excite: Attention-Based Semantic Guidance for Text-to-Image Diffusion Models [103.61066310897928]
  最近のテキスト・ツー・イメージ生成モデルは、ターゲットのテキスト・プロンプトによって導かれる多様な創造的な画像を生成する非例外的な能力を実証している。 革命的ではあるが、現在の最先端拡散モデルは、与えられたテキストプロンプトのセマンティクスを完全に伝達するイメージの生成に失敗する可能性がある。 本研究では, 一般に公開されている安定拡散モデルを分析し, 破滅的無視の有無を評価し, そのモデルが入力プロンプトから1つ以上の被写体を生成するのに失敗した場合について検討する。 提案するジェネレーティブ・セマンティック・ナーシング(GSN)の概念は、推論時間中にハエの生殖過程に介入し、忠実性を改善するものである。
  論文  参考訳（メタデータ） (2023-01-31T18:10:38Z)
• Probing Contextual Language Models for Common Ground with Visual Representations [76.05769268286038]
  我々は、マッチングと非マッチングの視覚表現を区別する上で、テキストのみの表現がいかに効果的かを評価するための探索モデルを設計する。 以上の結果から,言語表現だけでは,適切な対象カテゴリから画像パッチを検索する強力な信号が得られることがわかった。 視覚的に接地された言語モデルは、例えば検索においてテキストのみの言語モデルよりわずかに優れているが、人間よりもはるかに低い。
  論文  参考訳（メタデータ） (2020-05-01T21:28:28Z)

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。