論文の概要: VIEScore2: Unified Image Evaluation with Spatially Grounded Explanations

• arxiv url: http://arxiv.org/abs/2610.00994v1
• Date: Thu, 01 Oct 2026 03:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.880495
• Title: VIEScore2: Unified Image Evaluation with Spatially Grounded Explanations
• Title（参考訳）: VIEScore2:空間的接地による画像評価
• Abstract要約: VIEScore2は、任意の条件付き画像で画像の生成と編集を行うための統合評価器である。 VIEScore2は、イメージをNxNグリッドとして表現し、単一のモデルパスにおける品質スコアと欠陥位置を共同で予測する。 欠陥ローカライゼーションでは、VIEScore2は汎用VLMと特殊空間評価器の両方に優れる。
• 参考スコア（独自算出の注目度）: 47.87491147340878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing synthetic image evaluators typically provide only a scalar quality score and do not identify the image regions that support it. We introduce VIEScore2, a unified evaluator for image generation and editing tasks with optional conditioning images. VIEScore2 represents an image as an N x N grid and jointly predicts quality scores and defect locations in a single model pass. Its text-native grid representation provides a common interface for heterogeneous spatial supervision and enables directly verifiable post-training objectives. We train on 38K examples spanning score-only, localization-only, and joint supervision across generation and editing tasks. Starting from supervised fine-tuning, we further apply GRPO to improve defect localization using rewards that combine cell-level Dice overlap, score accuracy, and output-format validity. A parameter-free parser converts the structured predictions into readable explanations. On the primary suite, VIEScore2 achieves an overall-score SRCC of 0.601, compared with 0.491 for Gemini-3-Flash, the strongest zero-shot general-purpose VLM baseline under matched inputs. For defect localization, VIEScore2 outperforms both general-purpose VLMs and specialized spatial evaluators on three of six benchmarks in per-image grid IoU and ranks among the top three on five, including datasets beyond its training sources.
• Abstract（参考訳）: 既存の合成画像評価器は、スカラー品質スコアのみを提供し、それをサポートする画像領域を特定しない。 条件付き画像を用いた画像生成・編集作業のための統合評価器VIEScore2を導入する。 VIEScore2は、イメージをNxNグリッドとして表現し、単一のモデルパスにおける品質スコアと欠陥位置を共同で予測する。 そのテキストネイティブグリッド表現は、異種空間監視のための共通のインターフェースを提供し、訓練後の直接検証を可能にする。 私たちは、スコアオンリー、ローカライゼーションオンリー、および生成および編集タスク間の共同管理を含む38Kのサンプルをトレーニングします。 教師付き微調整から始め,細胞レベルのDice重なり合い,スコア精度,出力フォーマット妥当性を組み合わせ,欠陥の局所化を改善するためにGRPOを適用した。 パラメータフリーパーザは、構造化された予測を読みやすい説明に変換する。 プライマリ・スイートでは、VIEScore2 は総スコア SRCC が 0.601 であるのに対し、Gemini-3-Flash は 0.491 である。 欠陥ローカライゼーションでは、VIEScore2は、画像単位のIoUの6つのベンチマークのうち、汎用VLMと特殊空間評価器の両方を上回り、トレーニングソースを超えるデータセットを含む5つの上位3位にランクインしている。

関連論文リスト

• Back to the Feature: Zero-Shot 6DoF Pose Estimation via Dense Local Features [0.0]
  RGB画像から見えない物体の6DoFポーズ推定のための訓練不要ゼロショット法であるB2oseを提案する。 B2oseは、タスク固有の微調整なしで、合成と現実のドメインギャップをまたいで一般化する、密集したパッチレベルの特徴を抽出する。 BOPベンチマークの7つのコアデータセットでは、B2oseは改善のない40.7の平均ARと56.4の洗練を実現している。
  論文  参考訳（メタデータ） (2026-09-06T16:57:27Z)
• GATE: Reliability-Gated Gaussian Evidence Fusion for Training-Free Test-Time Adaptation of Vision-Language Models [5.025577782616721]
  GATEはトレーニングフリーの2パストランスダクティブテストタイム適応フレームワークである。 イメージエンコーダ、テキストエンコーダ、およびプロンプトパラメータを完全に凍結しながら、ラベルなしのターゲットセットを使用する。 ゼロショットのパフォーマンスは平均5.41ポイント向上し、最強の非GATEベースラインを1.94ポイント上回る。
  論文  参考訳（メタデータ） (2026-08-29T18:33:23Z)
• CogCanvas: A Benchmark for Evaluating Multi-Subject Reference-Based Image Generation [19.10912769596512]
  我々はCagCanvasを紹介した。これは100の有名人のアイデンティティ、115の独特なオブジェクトとファッションアイテム、29の現実世界の背景シーンにまたがる1,952のキュレートされた参照画像のベンチマークである。 このパイプラインは、DINOv2ベースの重複、二段階の美的フィルタリング、構造化相互作用と位置グラフの自動導出を組み合わせたものである。 5つのSOTA手法のベンチマークにより、全てのモデルがグループサイズが2から5に大きくなるにつれて大幅に劣化し、オブジェクト/ファッション結合が3つの主題を超えてほぼ完全に失敗することが明らかとなった。
  論文  参考訳（メタデータ） (2026-06-14T15:38:24Z)
• egenioussBench: A New Dataset for Geospatial Visual Localisation [36.94429692322632]
  地理空間参照データに基づく視覚的局所化ベンチマークであるEgenioussBenchを提案する。 このペアリングは、デプロイ可能なマッピングアセットを反映し、従来のSfMベースのアプローチを超えた真のスケーラビリティをサポートする。 ベンチマークでは、複数のポーズエラーしきい値でバイナリメトリクスで評価された公開リーダボードが特徴だ。
  論文  参考訳（メタデータ） (2026-05-06T18:23:39Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
  CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。 GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。 従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
  論文  参考訳（メタデータ） (2025-09-09T07:14:31Z)
• Zero-shot Inexact CAD Model Alignment from a Single Image [53.37898107159792]
  1つの画像から3Dシーン構造を推測する実践的なアプローチは、データベースから密に一致する3Dモデルを検索し、画像内のオブジェクトと整列させることである。 既存のメソッドは、イメージによる教師付きトレーニングとアノテーションのポーズに依存しており、オブジェクトカテゴリの狭いセットに制限されている。 ポーズアノテーションを必要とせず、未知のカテゴリに一般化する不正確な3次元モデルの弱い教師付き9-DoFアライメント法を提案する。
  論文  参考訳（メタデータ） (2025-07-04T04:46:59Z)
• Hierarchical Scoring with 3D Gaussian Splatting for Instance Image-Goal Navigation [27.040017548286812]
  インスタンスイメージゴールナビゲーション(IIN)では、任意の視点から捉えた参照画像に描かれた対象物や場所を特定し、ナビゲートする必要がある。 ターゲットマッチングのための最適視点を推定する階層的スコアリングパラダイムを備えた新しいIINフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-09T00:58:14Z)
• Palette: Image-to-Image Diffusion Models [50.268441533631176]
  我々は条件付き拡散モデルを用いた画像から画像への変換のためのシンプルで一般的なフレームワークであるPaletteを紹介する。 4つの困難な画像から画像への変換タスクにおいて、Paletteは強力なGANと回帰ベースラインを上回っている。 本稿では、FID、インセプションスコア、事前訓練されたResNet-50の分類精度、参照画像に対する知覚距離などのサンプル品質スコアについて報告する。
  論文  参考訳（メタデータ） (2021-11-10T17:49:29Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。