論文の概要: Do Vision Models Learn Physical Constraints or Rendering Shortcuts? A Counterfactual Benchmark for Grounded Physical Consistency

• arxiv url: http://arxiv.org/abs/2610.09205v1
• Date: Tue, 06 Oct 2026 23:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.641904
• Title: Do Vision Models Learn Physical Constraints or Rendering Shortcuts? A Counterfactual Benchmark for Grounded Physical Consistency
• Title（参考訳）: 視覚モデルは物理的制約やショートカットのレンダリングを学ぶか?
• Abstract要約: 現代画像編集モデルは、編集シーンの物理を破りながらテキスト命令を満たすことができる。 本研究では,編集画像がシーン物理に反するか否かを検知し,身体的可視性診断について検討する。 制御された合成成分が5,500枚の画像を生成するために三葉3を用いた反実的ベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 0.9291957243537553
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modern image editing models can satisfy a text instruction while breaking the physics of the edited scene. A new object may cast no shadow, a mirror may fail to reflect visible geometry, or an object may float above a surface that should support it. We study physical plausibility diagnosis, detecting whether an edited image violates scene physics, naming the violation type, localizing the affected region, and explaining the failure in language. We introduce a counterfactual benchmark whose controlled synthetic component uses Mitsuba~3 to generate 5,500 images from 500 scene families. Each family contains one clean image and ten matched violations involving shadows, reflection, support, surface response, and occlusion. The renderer pipeline provides category labels, affected-region masks and boxes, scene metadata, and explanation targets. We use LLaVA-1.5-7B, Qwen2.5-VL-7B, and InternVL3.5-8B as diagnostic baselines rather than proposed methods. On a 1,650-image synthetic test set, the adapted baselines reach 64.0--67.8\% category macro-F1 on standard held-out scenes. For LLaVA-1.5-7B, category macro-F1 falls from 64.0\% on the standard split to 40.8\% under intervention shift. This gap shows that high in-distribution accuracy partly reflects cues tied to rendering and counterfactual construction.
• Abstract（参考訳）: 現代画像編集モデルは、編集シーンの物理を破りながらテキスト命令を満たすことができる。 新しい物体は影を放つこともなく、鏡は目に見える幾何学を反映しないかもしれないし、物体がそれを支える表面の上に浮かんでいるかもしれない。 本研究では,身体的可視性診断,編集画像がシーン物理に違反するか否かの判定,違反の種類の命名,影響領域のローカライズ,言語障害の説明などについて検討する。 我々は,500のシーンファミリーから5,500枚の画像を生成するために,制御された合成成分が三葉〜3を使用する反実的ベンチマークを導入する。 それぞれの家族は、1つのきれいなイメージと、影、反射、支持、表面反応、閉塞を含む10の一致した違反を含んでいる。 レンダラーパイプラインはカテゴリラベル、影響を受けたリージョンマスクとボックス、シーンメタデータ、説明ターゲットを提供する。 提案手法よりも,LLaVA-1.5-7B,Qwen2.5-VL-7B,InternVL3.5-8Bを診断基準として用いた。 1,650イメージの合成テストセットでは、適応されたベースラインは標準のホールドアウトシーンで64.0--67.8\%のカテゴリマクロF1に達する。 LLaVA-1.5-7Bの場合、カテゴリーマクロF1は標準分割時の64.0\%から介入シフト時の40.8\%に低下する。 このギャップは、高い分布精度が部分的にレンダリングと偽造に結びついたキューを反映していることを示している。

関連論文リスト

• GroundBench: A Factorized, Counterfactual Benchmark for Locating VLM Affordance Failures [0.0]
  コンパニオン評価により、8つの視覚言語モデルにおいて、操作中の対象部位の命名により動作精度が0.32-0.63向上することが判明した。 しかし、部品の命名は、実際のシステムが推論し、視覚的接地、機械的推論、カテゴリー対アクションの関連性を見極めなければならない情報を提供する。 GroundBenchは、これらの説明を6つのブランチ・アンド・マージ条件で分離する診断ベンチマークである。
  論文  参考訳（メタデータ） (2026-09-10T14:52:26Z)
• VDiff-Bench: A Challenging Benchmark for Fine-Grained Image Difference Identification [53.25222629244709]
  VDiff-Benchは、微細な画像差分識別のためのベンチマークである。 それぞれの質問は2つのイメージ入力に対応し、真の違い、2つの強い否定的な説明、そして「違いなし」の気晴らしの4つの選択肢がある。 11の最先端のオープンソースおよびクローズドソースMLLMによる実験は、きめ細かいビジュアル比較が不安定であることを示している。
  論文  参考訳（メタデータ） (2026-09-05T20:20:24Z)
• MatReplace: A Reference-Free, Conditioning-Aligned Benchmark for Material Replacement in Interior Scenes [49.454624206478]
  MatReplaceは、4つの検証可能な次元に沿って編集を評価する、参照なしのベンチマークである。 A)命令のみ、(B)命令+エリアマスク、(C)教材参照画像の3つのトラックを定義している。 以上の結果から,命名と視覚的接地材料との明確な相違が明らかとなった。
  論文  参考訳（メタデータ） (2026-08-25T06:11:18Z)
• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。 パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。 FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• Grounding Agentic VLMs with Dedicated Segmentation for Fine-Grained Vehicle Damage Assessment [0.0]
  視覚言語モデル(VLM)は、現実のビジュアルアセスメントパイプラインにおける推論エージェントとして、ますます多くデプロイされている。 現状のVLM (Qwen-VL) は, このタスクにおいて強い意味分類精度 (87.3%) を達成するが, 空間レベルでは体系的に非基底化されていることを示す。 空間接地を専用マルチタスクセグメンテーションモデルに委譲するハイブリッドアーキテクチャであるTinyDamageを提案する。 本研究は, 報告の幻覚率を92% (テキストのみ) と78% (画像のみ) から31% (画像のみ) に低下させることを示す。
  論文  参考訳（メタデータ） (2026-08-03T16:37:49Z)
• PhysEditBench: A Protocol-Conditioned Benchmark for Dense Physical-Map Prediction with Image Editors [28.75463170207412]
  我々はPhysEditBenchを導入し、高密度物理マップ予測における画像エディタの評価と標準化を行う。 評価データには,ターゲット依存型ベンチマーク基板を構築する。 我々は、品質チェック、有効領域マスク、シーンレベルのサンプリング、照明ベースのストレスサブセットでデータをキュレートする。
  論文  参考訳（メタデータ） (2026-05-13T13:17:04Z)
• DistortBench: Benchmarking Vision Language Models on Image Distortion Identification [1.1609102090344634]
  視覚言語モデル(VLM)は、低レベルの画像劣化に対する感度が重要な設定において、ますます使われている。 VLMにおける非参照歪み知覚のための診断ベンチマークであるDistortBenchを提案する。
  論文  参考訳（メタデータ） (2026-04-21T20:20:59Z)
• VLM-RobustBench: A Comprehensive Benchmark for Robustness of Vision-Language Models [64.56065206447788]
  ビジョン言語モデル(VLM)は、標準の高品質なデータセット上で強力なパフォーマンスを達成する。 VLM-RobustBenchはノイズ、ブラー、天気、デジタル、幾何学にまたがる49種類の拡張型にまたがるベンチマークである。 低重度空間摂動は、視覚的に重度な光度劣化よりも、しばしば性能を低下させる。
  論文  参考訳（メタデータ） (2026-03-06T10:58:02Z)
• Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
  TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。 TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
  論文  参考訳（メタデータ） (2025-07-10T17:59:58Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)

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。