論文の概要: Reasoning-Informed Visual Editing

• arxiv url: http://arxiv.org/abs/2610.12343v1
• Date: Thu, 08 Oct 2026 17:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.207349
• Title: Reasoning-Informed Visual Editing
• Title（参考訳）: Reasoning-Informed Visual Editing
• Abstract要約: RISEBenchはReasoning-Informed ViSual Editing (RISE)の最初のベンチマークである。 より包括的できめ細かいベンチマークであるRISEBench++に拡張しています。 我々は,34のオープンソースモデル,19のクローズドソースモデル,5つのエージェントメソッドを含む58のビジュアル編集手法を評価した。
• 参考スコア（独自算出の注目度）: 68.83915912861197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Multi-modality Models (LMMs) have made significant progress in visual understanding and generation, but still face challenges in visual editing, particularly in following complex instructions, preserving appearance consistency, and supporting flexible input formats. To study this gap, we introduce RISEBench, the first benchmark for evaluating Reasoning-Informed viSual Editing (RISE), and extend it to RISEBench++, a more comprehensive and fine-grained benchmark for this emerging task. RISEBench++ extends the taxonomy into a hierarchical scheme spanning six reasoning dimensions: Temporal, Causal, Spatial, Logical, and Counterfactual Reasoning, together with Hybrid Reasoning integrating multiple reasoning types across multi-turn edits. These dimensions are further decomposed into 12 subcategories and 65 fine-grained task types. We expand input formats to include multi-image conditioning and scale the benchmark to 1000 human-annotated test cases, released in English and Chinese. We also improve our evaluation framework, assessing Instruction Reasoning, Appearance Consistency, and Visual Plausibility with human judges and an LMM-as-a-judge approach for more reliable and calibrated judgements. Beyond benchmarking, we introduce RISE-Agent, a training-free agentic framework integrating reasoning-driven planning, tool-augmented execution, and verifier-guided refinement, outperforming most strong existing approaches across diverse RISE tasks. We evaluate 58 visual editing approaches, including 34 open-source models, 19 closed-source models, and 5 agentic methods. The results reveal substantial challenges in reasoning-based visual editing, with even the strongest evaluated approach, GPT-Image-2.5 Sunburst, achieving only 56.6% accuracy. RISEBench++ highlights the limitations of contemporary editing models, provides insights, and indicates future directions for reasoning-aware visual editing.
• Abstract（参考訳）: LMM(Large Multi-modality Models)は、視覚的理解と生成において大きな進歩を遂げているが、複雑な命令に従うこと、外観整合性を維持すること、柔軟な入力形式をサポートすることなど、視覚編集の課題に直面している。 このギャップを研究するために、Reasoning-Informed ViSual Editing (RISE)を評価する最初のベンチマークであるRISEBenchを紹介し、より包括的できめ細かなこのタスクのベンチマークであるRISEBench++に拡張する。 RISEBench++は、分類体系を、時間、因果、空間、論理、反事実の推論という6つの推論次元にまたがる階層的なスキームに拡張し、マルチターン編集にまたがる複数の推論タイプを統合するハイブリッド推論(Hybrid Reasoning)を組み込んだ。 これらの次元は、さらに12のサブカテゴリと65のきめ細かいタスクタイプに分解される。 インプットフォーマットを拡張して、マルチイメージコンディショニングを含め、ベンチマークを英語と中国語でリリースした1000の人手によるテストケースにスケールします。 また, 評価枠組みの改善, インストラクション推論, 外観整合性, 人間の判断による視認性の評価, より信頼性と校正性のある判断のためのLMM-as-a-judgeアプローチについても検討した。 ベンチマーク以外にも、RISE-Agentは、推論駆動計画、ツール拡張実行、検証者誘導改善を統合した、トレーニング不要のエージェントフレームワークです。 我々は,34のオープンソースモデル,19のクローズドソースモデル,5つのエージェントメソッドを含む58のビジュアル編集手法を評価した。 その結果、推論に基づくビジュアル編集において、最も評価の高いアプローチであるGPT-Image-2.5 Sunburstでさえも56.6%の精度しか達成していないという大きな課題が明らかになった。 RISEBench++は、現代の編集モデルの限界を強調し、洞察を提供し、推論を意識したビジュアル編集の今後の方向性を示す。

関連論文リスト

• How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing [56.60465182650588]
  我々は,3段階の相互作用階層を導入し,決定的接地,形態的操作,因果推論を捉える。 本稿では,スケーラブルできめ細かい評価を実現するために,タスク固有のメトリクスを備えた堅牢なLMM-as-a-judge評価フレームワークを提案する。 プロプライエタリなモデルは早期の視覚指示追従能力を示し、一貫してオープンソースモデルを上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-02-02T09:24:45Z)
• Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing [84.16442052968615]
  RISEBenchはReasoning-Informed ViSual Editing (RISE)の最初のベンチマークである。 RISEBenchは、時間、因果、空間、論理的推論の4つの主要な推論カテゴリに焦点を当てている。 オープンソースモデルとプロプライエタリモデルの両方を含む,9つの目立った視覚編集モデルを評価する実験を行った。
  論文  参考訳（メタデータ） (2025-04-03T17:59:56Z)
• MM-MATH: Advancing Multimodal Math Evaluation with Process Evaluation and Fine-grained Classification [41.53026834367054]
  本稿では,マルチモーダル数学推論のための新しいベンチマークMM-MATHを提案する。 MM-MATHは、5,929個のオープンエンド中等教育数学問題と視覚的文脈を持ち、難易度、学級レベル、知識点の詳細な分類を行う。 最高の性能モデルはMM-MATHで31%の精度しか達成していないが、人間では82%である。
  論文  参考訳（メタデータ） (2024-04-07T22:16:50Z)

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。