論文の概要: Frame Evidence:A Benchmark for Reference Frames and Visual Evidence in Multi-Image Spatial Reasoning

• arxiv url: http://arxiv.org/abs/2610.19564v2
• Date: Thu, 15 Oct 2026 03:11:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.960659
• Title: Frame Evidence:A Benchmark for Reference Frames and Visual Evidence in Multi-Image Spatial Reasoning
• Title（参考訳）: フレームエビデンス:マルチイメージ空間推論における参照フレームと視覚エビデンスのためのベンチマーク
• Abstract要約: フレームエビデンス(Frame Evidence)は、マッチした320のトリプルと960の中国語の多重選択質問のベンチマークである。 ある家族は、固定された画像に対して3つの接地された参照フレームを比較します。 ジョイントメトリクスは、3つのフレームすべてとペアのエビデンスバリアントのすべてにわたって正しい答えを必要とします。
• 参考スコア（独自算出の注目度）: 3.8575135572606656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A spatial answer depends on the reference frame specified in language and its supporting visual evidence. Item accuracy alone obscures whether correctness persists when either changes. We introduce Frame Evidence, a benchmark of 320 matched triplets and 960 Chinese multiple-choice questions from captured and rendered scenes. One family compares three grounded reference frames over fixed images. The other pairs image deletion annotated as insufficient with answer-preserving addition. Joint metrics require correct answers across all three frames and paired evidence variants. Across 20 configurations on 288 held-out questions, GPT three-shot reaches 50.00\% item accuracy, but the best three-frame group accuracy is 5/48 (10.42\%), reached by GPT two-shot. Few-shot prompting and task-specific adaptation improve item accuracy without consistently improving joint correctness. Input controls show where images support matched success, while repeated executions reveal answer instability beneath similar scores.
• Abstract（参考訳）: 空間的答えは、言語で指定された参照フレームとその支援された視覚的証拠に依存する。 項目の正確性だけで、どちらかが変更しても正確性が持続するかどうかを曖昧にします。 フレームエビデンス(Frame Evidence)は、320個のマッチした三つ子と960個の中国語の多重選択質問のベンチマークである。 ある家族は、固定された画像に対して3つの接地された参照フレームを比較します。 他のペアは、回答保存加算に不十分として注釈付けされた画像削除を行う。 ジョイントメトリクスは、3つのフレームすべてとペアのエビデンスバリアントのすべてにわたって正しい答えを必要とします。 288のホールドアウト質問の20点中、GPTの3ショットは50.00\%のアイテム精度に達するが、GPTの2ショットに到達した3フレームの精度は5/48 (10.42\%) である。 ショットプロンプトとタスク固有の適応は、常に関節の正しさを改善することなくアイテムの精度を向上させる。 入力コントロールは、イメージサポートが成功と一致した場所を示し、繰り返し実行されると、同じスコアの下にある答えの不安定性が示される。

関連論文リスト

• Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [74.32863692381677]
  RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。 RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
  論文  参考訳（メタデータ） (2026-10-04T14:48:54Z)
• DEPICT: Scoring Text-to-Image Alignment by Answer Agreement [4.8252947999831]
  画像ベースとキャプションのみの回答との一致を期待して、固定参照回答を置き換えるトレーニングフリーのメトリクスであるDEPICTを提案する。 我々は,DECICTを3つのモデルファミリーの5つのベンチマークと11個のバックボーンで評価し,トレーニング不要の指標をすべて超越し,3つの人間相関ベンチマークのうち2つで微調整した評価器を超越していることを確認した。
  論文  参考訳（メタデータ） (2026-10-02T17:13:49Z)
• When Does an Image Determine the Answer? Benchmarking Visual Answerability across Charts and Scenes [3.8951027719764415]
  我々は、PlotQAチャート、CLEVRレンダリングシーン、GQA写真にまたがって、完全探索評価とラベルの明確な証拠を結びつけるベンチマークを導入する。 チャート上では、最強の構成はビュー毎の判定精度96.2%に達するが、835グループのうち265は、すべての決定が正しくない答えを含んでいる。
  論文  参考訳（メタデータ） (2026-09-28T07:33:29Z)
• TRACE: Temporal Retrieval with Anchored and Convergent Evidence for Long-Horizon Video Understanding [19.77484147518509]
  長ビデオの回答は、ビデオからデコードされたフレームが、その答えが依存するすべてのイベントをカバーする場合にのみ、エビデンスをサポートする。 既存の評価は、最終回答の正当性や予測された証拠間隔をスコアするが、応答前にデコードされたメソッドのフレームは監査されることは滅多にない。 VES-Benchは348の公開長ビデオに対して,時間順およびイベントカウント項目の600クエストベンチマークである。 それぞれの項目は共同で必要となるエビデンス間隔を持ち、メソッドのデコードされたフレームがそれらすべてをカバーするかどうかを3つの厳密度レベルで監査することができます。
  論文  参考訳（メタデータ） (2026-08-23T17:31:43Z)
• When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
  本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。 6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。 本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
  論文  参考訳（メタデータ） (2026-08-05T11:46:15Z)
• Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
  Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。 ラベルを適用すれば依存性認定正当性(D-CC)が得られる 4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
  論文  参考訳（メタデータ） (2026-07-29T15:55:31Z)
• VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
  マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか? VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。 ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
  論文  参考訳（メタデータ） (2026-06-05T22:06:07Z)

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。