論文の概要: Visual Jev Rewards: Reference-Bound Verification for Multi-Subject Image Generation

• arxiv url: http://arxiv.org/abs/2610.09328v1
• Date: Wed, 07 Oct 2026 02:34:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.683619
• Title: Visual Jev Rewards: Reference-Bound Verification for Multi-Subject Image Generation
• Title（参考訳）: Visual Jev Rewards:マルチオブジェクト画像生成のための参照境界検証
• Abstract要約: マルチオブジェクト画像生成には、要求された属性、アクション、関係が指定された参照対象に対して保持されるかどうかを検証する報酬が必要である。 我々は、視覚決定をジェネレータのトレーニング信号に変換する参照バウンドのVisual Jev報酬を示す。
• 参考スコア（独自算出の注目度）: 34.139911201666365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-subject image generation requires rewards that verify whether requested attributes, actions, and relations hold for the specified reference subjects. Subject presence alone does not establish that the correct subjects participate in a requested interaction. We present reference-bound Visual Jev rewards that turn these visual decisions into generator training signals. Each subject-related question receives a positive label only when the requested condition and the relevant reference identities hold jointly. We construct fixed questions offline, train a Qwen3.5-4B verifier with binary supervision, and directly read Yes probabilities from its language-model head. Their mean supplies a GRPO reward while retaining individual judgments for inspection. Using 200 MICo-150K training tasks and 30 updates, the framework raises a GPT-5.4 composite score from 41.78 to 52.50 on a manually selected 897-task MICo-Bench subset; direct 27B rewards yield 51.84. Each reward is tested in one GRPO run, and offline human evaluation does not establish a statistically significant advantage over direct scoring. The study provides an initial implementation and evaluation of Visual Jev as a reference-bound reward for multi-subject image generation.
• Abstract（参考訳）: マルチオブジェクト画像生成には、要求された属性、アクション、関係が指定された参照対象に対して保持されるかどうかを検証する報酬が必要である。 被写体の存在だけでは、正しい被写体が要求された相互作用に参加することを確証しない。 参照バウンドなVisual Jev報酬は、これらの視覚的決定をジェネレータのトレーニング信号に変換する。 各被写体関連質問は、要求条件と関連する参照IDが共に保持されている場合にのみ正のラベルを受信する。 固定された質問をオフラインで構築し、二進的監督を伴うQwen3.5-4B検証器を訓練し、言語モデルヘッドから直接Yes確率を読み取る。 彼らの平均は、検査のための個別の判断を維持しながらGRPO報酬を提供する。 200のMICo-150Kトレーニングタスクと30の更新を使用して、このフレームワークは、手動で選択した897タスクMICo-BenchサブセットでGPT-5.4のスコアを41.78から52.50に引き上げる。 各報酬は1回のGRPOランでテストされ、オフラインでの人間の評価は直接スコアよりも統計的に有意な優位性を確立しない。 この研究は、マルチオブジェクト画像生成のための参照バウンド報酬として、Visual Jevの初期実装と評価を提供する。

関連論文リスト

• 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)
• 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)
• RAVA: Retrieval-Augmented Viewpoint Alignment for Subject-Driven Image Generation [21.751544721133005]
  クロスオブジェクト視点アライメントは、参照駆動画像生成における課題である。 生成前に明示的な幾何学的証拠を提供する検索拡張フレームワークであるRAVAを提案する。 RAVAは、クロスオブジェクト生成におけるゼロショットベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-16T07:25:08Z)
• Prompt-Level Reward Specifications for Open-Ended Post-Training [43.215398565987265]
  訓練後のオープンエンドのメリットは、迅速な成功条件を明確にする報酬である。 本稿では、報酬仕様と報酬仕様を分離するプロンプトレベル報酬仕様フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-28T02:52:06Z)
• 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)
• Toloka Visual Question Answering Benchmark [7.71562336736357]
  Toloka Visual Question Answeringは、機械学習システムのパフォーマンスと人間のレベルの専門知識を比較するための、クラウドソースによる新しいデータセットである。 私たちのデータセットには45,199対のイメージと質問が含まれており、真理境界ボックスを備え、列車と2つのテストサブセットに分割されています。
  論文  参考訳（メタデータ） (2023-09-28T15:18:35Z)
• VisIT-Bench: A Benchmark for Vision-Language Instruction Following Inspired by Real-World Use [49.574651930395305]
  VisIT-Benchは、命令追従型視覚言語モデルの評価のためのベンチマークである。 提案データセットは592個のテストクエリからなり,それぞれに人手による指示条件付きキャプションを付与した。 人的評価と自動評価の両方を用いて,モデルと参照間の品質ギャップを定量化する。
  論文  参考訳（メタデータ） (2023-08-12T15:27:51Z)

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。