論文の概要: Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes

• arxiv url: http://arxiv.org/abs/2610.05274v1
• Date: Sun, 04 Oct 2026 14:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:10:33.354451
• Title: Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes
• Title（参考訳）: エビデンスへの答え:道路沿いの交通場面に対する一貫性に留意した視覚的質問応答
• Abstract要約: RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。 RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
• 参考スコア（独自算出の注目度）: 67.12965225696523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Roadside traffic reasoning requires every free-form textual claim to be backed by visual evidence. Existing grounded multimodal large language models (MLLMs) frequently exhibit say-point mismatch, in which the textual answer contradicts the bounding boxes the model localizes. Evaluation metrics that score answers and boxes separately leave this failure unpenalized. We trace the mismatch to the conventional answer-then-ground factorization, which commits to a numerical claim before any object is enumerated. To measure it, we build RoadSceneVQA-G, a benchmark of 34.7K question-answer pairs in which every free-form answer is linked to the set of boxes that witnesses it, and we propose the Answer-Grounding Consistency (AGC) evaluation suite. To address it, we introduce Enumerate-then-Answer (EtA), which reverses the generation order so that answer-evidence agreement becomes a property of the output structure, and Enumeration-Consistent Policy Optimization (ECPO), a reinforcement learning stage that uses the union of multiple rollouts as a recall teacher without ground-truth boxes. EtA raises say-point consistency from 26.6\% to 93.7\% and grounding F1 from 52.2\% to 73.0\%, and ECPO further increases F1 to 75.6\% without per-box supervision. On gRefCOCO, the same framework outperforms the strongest compared method, indicating that it transfers beyond traffic scenes. The project is available at \url{https://github.com/GuanRunwei/RoadSceneVQA-G}.
• Abstract（参考訳）: 道路脇の交通推論では、視覚的証拠によって裏付けられるすべての自由形式のテキストによる主張が要求される。 既存のマルチモーダル大言語モデル(MLLM)は、テキスト応答がモデルがローカライズするバウンディングボックスと矛盾するセイポイントミスマッチをしばしば示している。 回答とボックスを別々に評価するメトリクスは、この失敗を不注意にします。 我々は、このミスマッチを、任意のオブジェクトが列挙される前に数値的なクレームにコミットする従来の回答-then-ground factorizationに遡る。 そこで我々は,34.7K問合せ対のベンチマークであるRoadSceneVQA-Gを構築し,各自由形式の解答を目撃するボックスの集合に関連付けるとともに,Answer-Grounding Consistency (AGC) 評価スイートを提案する。 そこで本研究では,複数ロールアウトの合体をベースとした強化学習段階である列挙型ポリシー最適化(ECPO, Enumeration-Consistent Policy Optimization)を導入する。 EtAは主張点の一貫性を26.6\%から93.7\%に引き上げ、F1を52.2\%から73.0\%に接地させ、ECPOはさらにF1を箱ごとの監督なしに75.6\%に増やす。 gRefCOCOでは、同じフレームワークが最強の比較方法よりも優れており、トラフィックシーンを超えて転送されていることを示している。 このプロジェクトは \url{https://github.com/GuanRunwei/RoadSceneVQA-G} で入手できる。

関連論文リスト

• Learning Evidence Sufficiency Boundaries for Selective Answering in Grounded Multi-Hop QA [0.0]
  本研究は, 証拠満足度境界による選択的解答について検討する。 同じ質問に対して、モデルはサポートされていない、または部分的にサポートされているコンテキストを排除すべきである。 次世代ネイティブトレーニングフレームワークであるEvidence Sufficiency Boundary Trainingを紹介した。
  論文  参考訳（メタデータ） (2026-09-01T15:16:11Z)
• V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning [59.47823383593251]
  視覚サンプルモデルでは、視覚的証拠が不十分な流動的な答えを生み出すことができる。 本稿では,参照応答を原子命題に分解するVisuals-Based Reinforcement Learningを紹介する。 我々は,コンポーネントワイド,プレフィックスローカライズされたルーリッククレジットを用いて,同じSFTチェックポイントに基づいてモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-26T09:40:46Z)
• FADE: From Passive Verification to Active Discovery in Counterfactual Video Understanding [19.559643217912114]
  既存のMultiple-choice question (MCQ)ベンチマークは、質問や候補オプションを通じて、意図的にターゲットイベントをリークする。 本稿では, 対実的発見と説明のための効果的なトレーニングフレームワークであるFADEを紹介する。 FADEは、DualityVidQA-test と IPV-Bench の3つのタスクにまたがる、最先端の厳密なペアスコアを達成し、GPT-5.6を上回った。
  論文  参考訳（メタデータ） (2026-08-11T10:22:08Z)
• Does More Retrieved Evidence Help Visual Retrieval-Augmented Generation with Diffusion Language Models? [22.988311596447435]
  ビジュアル検索強化生成(RAG)は、通常、検索されたエビデンスを拡張して、回答ページのカバレッジを改善する。 この仮定は拡散言語モデル(DLM)に当てはまらないことを示す。 トレーニング不要なエビデンス・アドミッションフレームワークであるEntropy-Based Candidate Filter (ECF)を提案する。
  論文  参考訳（メタデータ） (2026-08-07T09:20:40Z)
• SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
  SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。 正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。 変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
  論文  参考訳（メタデータ） (2026-08-04T13:16:15Z)
• Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation [12.71443292660797]
  堅牢なRAGのためのコンテキスト認識トラバーサルであるCatRAGを提案する。 CatRAGはHippoRAG 2アーキテクチャ上に構築され、静的なKGをクエリ適応ナビゲーション構造に変換する。 4つのマルチホップベンチマークの実験では、CatRAGはアートベースラインの状態を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-02T11:13:38Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• MUPA: Towards Multi-Path Agentic Reasoning for Grounded Video Question Answering [64.46361702927457]
  Grounded Video Question Answering (Grounded VideoQA) では、テキストによる回答と明確な視覚的証拠の整合が必要である。 本研究では,ビデオグラウンド,質問応答,回答反射,集約を統一するMulti-Path AgenticアプローチであるMUPAを提案する。
  論文  参考訳（メタデータ） (2025-06-22T15:39:02Z)

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。