論文の概要: Re:Cognize -- Open-Set Comic Character Re-Identification
- arxiv url: http://arxiv.org/abs/2609.34032v1
- Date: Sun, 27 Sep 2026 23:53:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:38:21.980611
- Title: Re:Cognize -- Open-Set Comic Character Re-Identification
- Title（参考訳）: Re:Cognize -- オープンセットのコミックキャラクタ再識別
- Abstract要約: マンガ読者は、1ページでキャラクターに会い、100ページ後、キャストリストを渡されることなくそのキャラクターを視認する。
Re:Cognizeはモデルを読み取ることができるかどうかを測定します。
- 参考スコア（独自算出の注目度）: 22.477667611146998
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A manga reader meets a character on one page and knows them on sight a hundred pages later, without ever being handed a cast list. Re-identifying comic characters demands the same, open-set and sequential: pages arrive as a stream in reading order, new faces appear before anyone names them, and the cast is assembled as the story is read. $\textbf{Re:Cognize}$ evaluates recognition as the story is read, not against a cast handed over in advance: four protocols on one query stream, from closed-set retrieval to a cast the model must build and grow itself. The surprise is where models fail. Recognising is close to solved: one reference image per character already ranks as well as a gallery built in advance. Knowing what to believe is not: a model that adds its own matches makes its cast worse, while the same growth with correct labels would gain over twenty points of top-1 accuracy. The bottleneck is acceptance, not vision, and one comparison decides it: an addition pays exactly when it is right more often than the cast already was on the queries it takes over. The comparison has nothing to fit, and measured on half of a new corpus it calls the other half correctly. $\textbf{ReCast}$ puts it to work with nothing fitted on data: a cast sheet of one running average per character, grown only where the page itself vouches for a crop. It recovers a third to two thirds of what perfect labels would, depending on whether the cast starts from random examples or from first appearances. Re:Cognize measures whether a model can read along; ReCast is a cast that does. Our claims are on identity maintenance, recognising characters already met; the emergence of new ones is measured as a diagnostic under a fixed reference rule, and we propose no method for it.
- Abstract（参考訳）: マンガ読者は、1ページでキャラクターに会い、100ページ後、キャストリストを渡されることなくそのキャラクターを視認する。
再識別されたコミックキャラクタは同じ、オープンセットでシーケンシャルで、ページは読み込み順にストリームとして到着し、誰にでも名前をつける前に新しい顔が現れ、物語を読み上げるとキャストが組み立てられる。
$\textbf{Re:Cognize}$は、事前に渡されたキャストに対してではなく、ストーリーが読み込まれるときに認識を評価する。
驚いたことに、モデルは失敗する。
文字ごとに1つの参照画像が既にランク付けされており、ギャラリーが事前に構築されている。
独自のマッチを追加するモデルでは、キャストが悪化する一方、正しいラベルでも同じ成長がトップ1の精度で20ポイント以上も上昇する。
アクセプションは、視覚ではなく受け入れであり、ひとつの比較がそれを決定づける: 追加は、キャスティングがすでに受け継いだクエリよりも、それが正しい頻度で支払われる。
比較には適合せず、残りの半分を正確に呼ぶ新しいコーパスの半分で測定する。
$\textbf{ReCast}$は、データに何も入らないで使えるようにします。
キャストがランダムな例から始まるか、あるいは初登場から始まるかによって、完璧なラベルの3分の2が復元される。
Re:Cognizeはモデルを読み取ることができるかどうかを測定します。
我々の主張はアイデンティティの維持であり、既に満たされている文字を認識することであり、新しい文字の出現は、固定参照規則の下で診断として測定され、その方法が提案されない。
関連論文リスト
- EnigmaForge: The Question Is Hidden in the Story [0.0]
EnigmaForgeは、古いドキュメントのスタックを渡すが、疑問の余地は全くない。
SATソルバは、すべての手がかりがロードベアリングであることを証明する。
205台のフロンティアモデルが600以上のインスタンスを走らせ(17,400得点)
Intrepidはリーダボードを再シャッフルする – 事実のリカバリが1.6倍に広がる22倍のスプレッド,第2位のファクトリカバリのランク,ひとつは質問に対する回答に無関心なモデル,もうひとつはそれなしでははるかによいモデルだ。
論文 参考訳（メタデータ） (2026-09-24T17:10:03Z) - ANIMASK: What the Model Contributes to Role Play in Simulated Story Worlds [7.891251085330825]
ANIMASKは本やスクリプトをフリーズし、各ストーリーをフリーズポイントから再生するフレームワークである。
40のストーリー、6つのアクターモデル、3,846の意思決定ポイントで、リプレイはキャノンから1つの共有方向に収束する。
論文 参考訳（メタデータ） (2026-09-15T05:43:35Z) - Detectable Only Where It Is Confounded: What Verified Duplication Counts Say About Membership Evidence in Language Models [0.0]
言語モデルが予測する文章を異常に安価に見つけると、その文章が訓練データに含まれていたと結論付ける傾向があることが示される。
ほぼ全ての公開テストでは、どの文章がトレーニングデータ、メンバー、どれがそうでなかったかを推測する必要があった。
本稿では,OLMo-2とPythiaの2つのモデルファミリーが事前学習コーパスを公開し,各コーパスに現れる文の正確な回数を公開インデックスとして返却する。
答えは2つの側面から閉じてピンサーを形成する。
論文 参考訳（メタデータ） (2026-09-09T21:01:56Z) - Caved or Convinced: Temporal Sampling Gates Claim Deference in Video Large Language Models [19.81998459094009]
2つのイベントのうちどれが最初に来たかを尋ねると、ビデオモデルは2つの方法で失敗する可能性があることを示す。
事前の作業は、最初にのみ測定し、モデルの信頼性を低下させることによって緩和する。
そこで本研究では,サンプルフレームを前向きに,逆向きに評価し,クレームを読まずに解答,再サンプリング,あるいは棄却することで,モデルの順序をキャンセルするリバーサルテストを提案する。
論文 参考訳（メタデータ） (2026-08-04T05:47:44Z) - Language Models Agree With Each Other, Not With Readers [1.8620637029128544]
我々は、その目的のために構築された誰もいない人間の参照に対する収束を測定する。
120のWebドキュメントに2,523のリードマークがある。
読者が読むものよりも確実に読者に同意するモデルはない。
論文 参考訳（メタデータ） (2026-07-31T10:44:10Z) - CAVEWOMAN: How Large Language Models Behave Under Linguistic Input and Output Compression [77.41779716950387]
本稿では,2チャンネル評価プロトコルであるCavewomanについて述べる。
我々は5つのデータセットの8つのモデルを5つの還元レベルで評価し、両方のチャネルは同じ項目で測定した。
論文 参考訳（メタデータ） (2026-06-23T02:56:48Z) - Identifying Prompted Artist Names from Generated Images [59.34482128911978]
テキスト・ツー・イメージの一般的な使用法は、アーティストを明示的に命名することで画像を生成することである。
本稿では,プロンプトアーティスト認識のためのベンチマークを紹介する。
データセットには110人のアーティストをカバーする195万の画像が含まれている。
論文 参考訳（メタデータ） (2025-07-24T17:59:44Z) - Evolving Storytelling: Benchmarks and Methods for New Character Customization with Diffusion Models [79.21968152209193]
ニューエピソード・ベンチマークを導入し、新しいキャラクターで新しいストーリーを生成する際の生成モデルの適応性を評価する。
EpicEvoは,新しいキャラクタをシームレスに統合した単一ストーリーで,拡散に基づくビジュアルストーリー生成モデルをカスタマイズする手法である。
論文 参考訳（メタデータ） (2024-05-20T07:54:03Z) - Adapting Dual-encoder Vision-language Models for Paraphrased Retrieval [55.90407811819347]
モデルが類似した結果を返すことを目的とした,パラフレーズ付きテキスト画像検索の課題について考察する。
我々は、大きなテキストコーパスで事前訓練された言語モデルから始まる二重エンコーダモデルを訓練する。
CLIPやOpenCLIPのような公開デュアルエンコーダモデルと比較して、最高の適応戦略で訓練されたモデルは、パラフレーズクエリのランク付けの類似性を大幅に向上させる。
論文 参考訳（メタデータ） (2024-05-06T06:30:17Z) - If at First You Don't Succeed, Try, Try Again: Faithful Diffusion-based
Text-to-Image Generation by Selection [53.320946030761796]
拡散ベースのテキスト・トゥ・イメージ(T2I)モデルは、テキスト・プロンプトへの忠実さを欠く可能性がある。
大規模なT2I拡散モデルは通常想定されるよりも忠実であり、複雑なプロンプトに忠実な画像を生成することができることを示す。
本稿では,テキストプロンプトの候補画像を生成するパイプラインを導入し,自動スコアリングシステムにより最適な画像を選択する。
論文 参考訳（メタデータ） (2023-05-22T17:59:41Z) - SummScreen: A Dataset for Abstractive Screenplay Summarization [52.56760815805357]
SummScreenは、テレビシリーズトランスクリプトと人間の書かれたリキャップのペアで構成されたデータセットです。
プロットの詳細はしばしば文字対話で間接的に表現され、書き起こしの全体にわたって散らばることがある。
キャラクタはテレビシリーズの基本であるため,2つのエンティティ中心評価指標も提案する。
論文 参考訳（メタデータ） (2021-04-14T19:37:40Z)
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。