論文の概要: Perception Test 2026: Challenge Summary and Extension to City-scale Audio-Visual Reasoning

• arxiv url: http://arxiv.org/abs/2610.12081v1
• Date: Thu, 08 Oct 2026 14:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.08527
• Title: Perception Test 2026: Challenge Summary and Extension to City-scale Audio-Visual Reasoning
• Title（参考訳）: パーセプションテスト2026: 都市規模オーディオ-ビジュアル推論の課題概要と拡張
• Abstract要約: このエディションでは、空間的なインテリジェンスに焦点が当てられ、4つの異なるトラックが紹介されている: 統合多重選択ビデオQAと、オリジナルのPerception TestベンチマークのグラウンドドビデオQA、そして都市規模のウォーキングツアービデオに基づく2つの新しいトラック(KilometerAudioとKilometerVision)。 都市規模のトラックに使用される新しいベンチマークについて述べるとともに、すべてのトラックにまたがる勝利のソリューションを要約する。
• 参考スコア（独自算出の注目度）: 57.54355626426361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuing the Perception Test challenge series, we organised the fourth edition as a workshop at the European Conference on Computer Vision (ECCV) 2026 in Malmö, Sweden. This edition focused on spatial intelligence and featured four different tracks: unified multiple-choice videoQA and grounded videoQA from the original Perception Test benchmark, alongside two new tracks based on city-scale walking-tour videos (KilometerAudio and KilometerVision). In this report, we describe the new benchmarks used for the city-scale tracks and summarise the winning solutions across all tracks, including a generalist model that competed across all tracks with satisfactory performance. The winning solutions in the newly added city-scale tracks demonstrated that complex spatial and multimodal reasoning can be solved by expensive agentic pipelines, but remains difficult for multimodal models used standalone.
• Abstract（参考訳）: 第4回はスウェーデンのマルメで開催されたEuropean Conference on Computer Vision (ECCV) 2026でワークショップとして開催しました。 このエディションでは、空間的なインテリジェンスに焦点が当てられ、4つの異なるトラックが紹介された: 統合されたマルチ選択ビデオQAと、オリジナルのPerception TestベンチマークのグラウンドドビデオQA、そして都市規模のウォーキングツアービデオに基づく2つの新しいトラック(KilometerAudioとKilometerVision)。 本報告では,都市規模トラックに使用される新しいベンチマークについて述べるとともに,全トラックにまたがる勝利解を要約する。 新たに追加された都市規模トラックの勝利解は、複雑な空間的およびマルチモーダル推論が高価なエージェントパイプラインによって解決できることを示したが、スタンドアローンで使用されるマルチモーダルモデルでは依然として困難である。

関連論文リスト

• Perception Test 2025: Challenge Summary and a Unified VQA Extension [56.23039846339896]
  第3の知覚テストは、IEEE/CVF International Conference on Computer Vision (ICCV) 2025と共に、フルデイワークショップとして組織された。 第一の目的は、最先端のビデオモデルをベンチマークし、マルチモーダル知覚の進捗を測定することである。 主要なパーセプションテストの課題の結果を要約し、既存のタスクとベンチマークへの新たな追加の両方を詳述する。
  論文  参考訳（メタデータ） (2026-01-09T20:02:21Z)
• Perception Test 2024: Challenge Summary and a Novel Hour-Long VideoQA Benchmark [64.16672247204997]
  我々は、IEEE/CVF European Conference on Computer Vision (ECCV) 2024と共に半日間のワークショップとして、第2知覚テストチャレンジを組織した。 目標は、最先端のビデオモデルをベンチマークし、昨年からPerception Testベンチマークを使用して進捗を計測することだった。 今年は7つのトラックがあり、低レベルかつ高レベルなタスクをカバーし、ビデオ、オーディオ、テキストのモダリティをカバーした言語と非言語インターフェースを備えていた。 追加のトラックは1時間にわたるビデオ理解をカバーし、新しいビデオQAベンチマーク1h-walk VQAを導入した。
  論文  参考訳（メタデータ） (2024-11-29T18:57:25Z)
• AIM 2024 Sparse Neural Rendering Challenge: Methods and Results [64.19942455360068]
  本稿では,ECCV 2024と共同で開催されるAIM(Advanceds in Image Manipulation)ワークショップの一部であるスパースニューラルレンダリングの課題についてレビューする。 この課題は、スパース画像から多様なシーンを合成する新しいカメラビューを作ることである。 参加者は、Pak Signal-to-Noise Ratio (PSNR) 測定によって測定された地中真実像に対する客観的忠実度を最適化するよう依頼される。
  論文  参考訳（メタデータ） (2024-09-23T14:17:40Z)
• The 7th AI City Challenge [87.23137854688389]
  AIシティチャレンジの第7版では、コンピュータビジョンと人工知能の交差点にある2つのドメインを強調している。 2023年大会には5つのトラックがあり、46カ国508チームからの参加要請が過去最高となった。 参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
  論文  参考訳（メタデータ） (2023-04-15T08:02:16Z)
• The 6th AI City Challenge [91.65782140270152]
  2022年のAIシティチャレンジの4つのチャレンジトラックは、27カ国254チームからの参加要請を受けた。 参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
  論文  参考訳（メタデータ） (2022-04-21T19:24:17Z)

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。