論文の概要: A Matched-Budget Audit Framework for Recaptioned Image-Text Supervision Distributions

• arxiv url: http://arxiv.org/abs/2610.00952v1
• Date: Thu, 01 Oct 2026 02:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.852216
• Title: A Matched-Budget Audit Framework for Recaptioned Image-Text Supervision Distributions
• Title（参考訳）: 再カプセル化画像-テキストスーパービジョン分布のための照合予算監査フレームワーク
• Abstract要約: 再カプセル化された監視配信のための予算の一致した監査フレームワークを導入する。 5つのオープンソースコーパスに対する7つのペア比較のフレームワークをインスタンス化する。 4つのクロスコーパスのペアの中で、リリースされたサーフェスはサポート対象のCBUをQwenとGemmaの審査員の下で$3.39$から$6.36$に引き上げている。
• 参考スコア（独自算出の注目度）: 21.28439128751584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recaptioned image-text corpora are now standard for text-to-image (T2I) training, with vision--language model (VLM) captioners replacing sparse alt-text by dense descriptions. A recaptioned corpus is a supervision distribution induced by a documented captioning policy ($π$), captioner ($V_c$), and source corpus ($C$). Length-correlated proxies miss caption-register artifacts and downstream T2I benchmarks entangle the corpus with training choices, so this distribution is hard to audit at corpus scale. We introduce a reusable matched-budget audit framework for recaptioned supervision distributions $D_{π,V_c,C}$: at a fixed text budget of $B = 64$ it reports a five-axis profile spanning prompt-side coverage, image-conditioned faithfulness, and caption-surface health, with claimed controllable basic units (CBU) as the common claim unit. We instantiate the framework on seven paired comparisons over five public source corpora. Across the four cross-corpus pairs, the released surface raises supported CBU per caption by $+3.39$ to $+6.36$ under both Qwen and Gemma Judges, and on CC12M the same framework exposes a long-vs-dense frontier that is consistent across both judges and four budgets. We release the audited multi-source recap corpus ($\approx$ 490M) together with the audit-artifact bundle.
• Abstract（参考訳）: 再カプセル化画像テキストコーパスはテキスト・ツー・イメージ(T2I)トレーニングの標準となり、視覚言語モデル(VLM)キャプタがスパース・アルト・テキストに置き換えられた。 再カプセル化コーパス(recaptioned corpus)は、文書化されたキャプションポリシー(π$)、キャプター(V_c$)、ソースコーパス(C$)によって誘導される監督ディストリビューションである。 長さ関連プロキシはキャプション登録アーティファクトを見逃し、下流のT2Iベンチマークはコーパスをトレーニング選択で絡み合わせるため、コーパススケールでの監査は困難である。 D_{π,V_c,C}$: 固定テキスト予算$B = 64$で、プロンプト側カバレッジ、画像条件の忠実度、キャプション面の健康度にまたがる5軸プロファイルを報告し、制御可能な基本単位(CBU)を共通クレーム単位とする再利用可能な予算監査フレームワークを導入する。 このフレームワークは5つのオープンソースコーパスに対して7つのペア比較でインスタンス化します。 4つのクロスコーパス・ペアの中で、リリースされたサーフェスは、QwenとGemmaの判事の下で、サポート対象のCBUを$+3.39$から$+6.36$に上げ、CC12Mでは、同じフレームワークが、裁判官と4つの予算の双方で一貫性のある長いvs-denseフロンティアを公開している。 我々は監査済みのマルチソース・リキャップ・コーパス($490M)と監査アーティファクト・バンドルをリリースする。

関連論文リスト

• Stable Curves, Unstable Items: Item-Level Scaling Heterogeneity in Video LLMs [16.31176289941024]
  ビデオLLMは、視覚的予算が大きくなるにつれて、スムーズに改善されるか、飽和していることを示す。 制御された視覚的予算の下で,各凍結モデルペアを応答軌道で表現する。 我々は、構成の相補性、有害な遷移、およびテキスト上書きの一致したグリッド測度を導出する。
  論文  参考訳（メタデータ） (2026-08-07T09:25:20Z)
• Beyond Similarity: Grounded Agentic Extraction and Expert-Adjudicated Evaluation of Intertextuality in Classical Chinese Histories [3.694051864521789]
  我々は、大言語モデルが2つのテキスト単位をフルに読み込むエージェントタスクとして、きめ細かいテクスチャ間抽出をリキャストする。 3つのドメインの専門家がプールされたマルチモデル候補を2,533対のテキスト間ペアのベンチマークに設定し、Analects と Book of Han を徹底的に比較する手法を検証する。
  論文  参考訳（メタデータ） (2026-07-30T02:34:23Z)
• Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
  音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。 8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。 FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
  論文  参考訳（メタデータ） (2026-06-02T07:01:33Z)
• FullFlow: Upgrading Text-to-Image Flow Matching Models for Bidirectional Vision--Language Generation [39.06289388005218]
  EmphFullFlowは、事前訓練された修正フローのテキスト・トゥ・イメージ・モデルを双方向の視覚言語生成装置にアップグレードする、パラメータ効率のよいレシピである。 FullFlowは、イメージを彼らのネイティブな継続的フローに保持し、テキストに個別の挿入プロセスを追加する。 異なる画像とテキストのタイムステップは、推論を2次元生成空間における軌跡選択に変換する。
  論文  参考訳（メタデータ） (2026-05-19T17:59:39Z)
• An Online Reference-Free Evaluation Framework for Flowchart Image-to-Code Generation [16.178048822782426]
  VLM(Vision-Language Models)は、フローチャートイメージを構造化コードに変換するために、ドキュメント処理パイプラインでますます使われている。 本稿では,フローチャート画像とコード生成の品質を推論時に監視する参照フリー評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-13T17:16:03Z)
• $β$-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment [53.42377319350806]
  $-CLIPは、多言語テキスト条件のコントラスト学習フレームワークである。 $-CALは、この階層に固有のセマンティックオーバーラップに対処する。 $-CLIPは、高密度視覚言語対応のための堅牢で適応的なベースラインを確立する。
  論文  参考訳（メタデータ） (2025-12-14T13:03:20Z)
• CoDet: Co-Occurrence Guided Region-Word Alignment for Open-Vocabulary Object Detection [78.0010542552784]
  CoDetはオープン語彙オブジェクト検出のためのオブジェクトレベルの視覚言語表現を学習するための新しいアプローチである。 共有概念に言及するイメージをキャプションにグループ化することにより、共有概念に対応するオブジェクトは、高い共起性を示す。 CoDetは、オープン語彙検出において優れたパフォーマンスと魅力的なスケーラビリティを持っている。
  論文  参考訳（メタデータ） (2023-10-25T14:31:02Z)
• Multimodal C4: An Open, Billion-scale Corpus of Images Interleaved with Text [130.89493542553151]
  テキスト内ビジョンやFlamingoのような言語モデルは、任意のインターリーブされた画像とテキストのシーケンスを入力としてサポートする。 このインターフェースをサポートするために、インターリーブされた画像+テキストを含むウェブコーパス上でプレトレーニングが行われる。 画像がインターリーブされた人気テキスト専用C4コーパスの拡張であるMultimodal C4をリリースする。
  論文  参考訳（メタデータ） (2023-04-14T06:17:46Z)

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。