論文の概要: Improving Image-Based Nutrition Estimation Through Multimodal Food-Item Verification and Recovery

• arxiv url: http://arxiv.org/abs/2610.11144v1
• Date: Thu, 08 Oct 2026 03:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.755558
• Title: Improving Image-Based Nutrition Estimation Through Multimodal Food-Item Verification and Recovery
• Title（参考訳）: マルチモーダル食品の検証と回収によるイメージベース栄養推定の改善
• Abstract要約: 単一イメージの栄養推定は、目に見える食品が見逃されると静かに失敗することがある。 本稿では,マルチモーダル大規模言語モデル(MLLM)を用いて,目に見える食品を在庫化し,食品のアイデンティティを個別に検証するフレームワークを提案する。 ある画像レビューでは、これらの検証結果を使って未解決のギャップを特定し、食品を省略し、少なくとも1つの目標回復パスを誘導している。
• 参考スコア（独自算出の注目度）: 7.633051255808158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-image nutrition estimation can fail silently when visible foods are missed. Even when a food is correctly identified, its proposed region may not support portion estimation. We propose a framework that uses multimodal large language models (MLLMs) to inventory visible foods and separately verify food identity and whether each proposed 2D region supports portion estimation. One whole-image review uses these verification results to identify unresolved gaps and omitted foods, triggering at most one targeted recovery pass. Recovered regions are re-verified without access to the recovery prompt, then reconciled into a final item set for nutrition estimation. The framework requires no task-specific fine-tuning. Matched evaluation on common valid-output samples shows that item-level grounding improves mass accuracy across all tested settings and energy accuracy relative to an adapted retrieval baseline, with item-identity precision and recall also improving, while post-recovery visual coverage is assessed separately at inference time without ground-truth annotations.
• Abstract（参考訳）: 単一イメージの栄養推定は、目に見える食品が見逃されると静かに失敗することがある。 食品が正しく識別されたとしても、その領域は部分推定をサポートしない。 本稿では,多モーダル大規模言語モデル (MLLM) を用いて,目に見える食品を在庫化し,食品の識別と各2次元領域が部分推定をサポートするかどうかを別々に検証するフレームワークを提案する。 ある画像レビューでは、これらの検証結果を使って未解決のギャップを特定し、食品を省略し、少なくとも1つの目標回復パスを誘導している。 回復した地域は、回復プロンプトにアクセスせずに再検証され、栄養推定のための最終項目に調整される。 このフレームワークはタスク固有の微調整を必要としない。 一般的な有効出力サンプルの一致評価では、アイテムレベルのグラウンドリングは、検索ベースラインに対する全てのテスト済み設定とエネルギーの精度を向上し、アイテムのアイデンティティの精度とリコールも向上する一方、検索後の視覚的カバレッジは、グラウンドトルースアノテーションなしで推論時に別々に評価される。

関連論文リスト

• Open-KNEAD: Knowledge-grounded Nutrition Estimation via Agentic Decomposition [9.38434232095379]
  食事栄養推定のための知識基盤型エージェントフレームワークであるOpen-KNEADについて紹介する。 Open-KNEADは、以前の基底法とほとんどのバックボーン・データセット設定での直接推定の両方よりも、部分推定を改善している。
  論文  参考訳（メタデータ） (2026-07-14T15:48:25Z)
• DietDelta: A Vision-Language Approach for Dietary Assessment via Before-and-After Images [9.480328219158254]
  本稿では,前食と後食の2つの画像を用いた食生活レベルの栄養分析のための視覚言語フレームワークを提案する。 本手法は,自然言語のプロンプトを利用して,特定の食品を局所化し,その重量を直接1枚のRGB画像から推定する。
  論文  参考訳（メタデータ） (2026-04-07T18:30:31Z)
• Advancing Food Nutrition Estimation via Visual-Ingredient Feature Fusion [69.84988999191343]
  我々はファストフード(FastFood)について紹介する。ファストフード(FastFood)は、908のファストフードカテゴリーに84,446のイメージを持つデータセットで、成分や栄養のアノテーションが特徴である。 栄養推定の精度を高めるために,新しいモデル非依存型ビジュアル・イングレディエント・フィーチャー・フュージョン (VIF$2$) 法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:21Z)
• Retrieval Augmented Recipe Generation [96.43285670458803]
  本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。 既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。 生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
  論文  参考訳（メタデータ） (2024-11-13T15:58:50Z)
• How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
  現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。 本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。 本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
  論文  参考訳（メタデータ） (2024-05-12T00:16:02Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• An End-to-end Food Portion Estimation Framework Based on Shape Reconstruction from Monocular Image [7.380382380564532]
  3次元形状再構成による単眼画像からの食品エネルギー推定のためのエンドツーエンドのディープラーニングフレームワークを提案する。 その結果,40.05kCalの平均絶対誤差 (MAE) とMAPEの11.47%の平均絶対誤差 (MAPE) が得られた。
  論文  参考訳（メタデータ） (2023-08-03T15:17:24Z)
• An End-to-End Food Image Analysis System [8.622335099019214]
  食品の局所化, 分類, 部分サイズ推定を統合した画像に基づく食品分析フレームワークを提案する。 提案するフレームワークはエンドツーエンドであり,複数の食品を含む任意の食品画像として入力することができる。 本研究の枠組みは,栄養摂食調査から収集した実生活食品画像データセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-02-01T05:36:20Z)
• Multi-Task Image-Based Dietary Assessment for Food Recognition and Portion Size Estimation [6.603050343996914]
  本稿では,食品分類と食品部分サイズ推定の両立が可能なエンドツーエンドマルチタスクフレームワークを提案する。 本結果は,分類精度と部分推定の平均絶対誤差の両方において,ベースライン法より優れる。
  論文  参考訳（メタデータ） (2020-04-27T21:35:07Z)
• Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
  画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。 本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。 食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
  論文  参考訳（メタデータ） (2020-03-09T07:41:17Z)

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。