論文の概要: Grounding Generative Verification in 3D Content

• arxiv url: http://arxiv.org/abs/2610.22360v1
• Date: Thu, 15 Oct 2026 17:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.280428
• Title: Grounding Generative Verification in 3D Content
• Title（参考訳）: 3次元コンテンツにおけるグラウンドイング生成検証
• Abstract要約: 信頼できる3Dシステムを構築するには、より強力な生成と推論だけでなく、検証フィードバックが必要である。 3DVerifierBenchは10のタスクにまたがるベンチマークで、決定、拒絶説明、および仕様や候補における制御された変更に対する応答を評価する。 マルチビューファクト抽出,制御された3D編集,ネイティブアノテーションを組み合わせたスケーラブルなパイプラインを開発し,矛盾する説明とリンクされた反事実を含む14,126のトレーニング例を生成する。
• 参考スコア（独自算出の注目度）: 24.487873171924548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in multimodal large language models (MLLMs) and 3D generation have expanded 3D understanding and synthesis. However, beyond visual fidelity, task-specific correctness grounded in 3D evidence remains a major challenge. We argue that building reliable 3D systems requires not only stronger generation and reasoning, but also verification feedback that identifies unmet requirements and explains their violations, allowing systems to reflect on and refine their outputs. Such feedback must integrate multi-view observations and distinguish genuine inconsistencies from projection-dependent appearances. We make three contributions. First, we introduce 3DVerifierBench, a benchmark spanning 10 tasks that evaluates decisions, rejection explanations, and responses to controlled changes in specifications and candidates. A human study reveals a 21.6 percentage-point gap between humans and the strongest tested model, GPT-6 Astra, while explanation-aware analysis exposes weaknesses in rejection reliability. Second, we analyze verification across fine-grained factual categories, exposing errors in values and target binding. We develop a scalable pipeline combining multi-view fact extraction, controlled 3D editing, and native annotations to produce 14,126 training examples with contradiction explanations and linked counterfactuals. Third, we examine how verification could support 3D generation through candidate selection and recursive refinement. In human-labeled sixteen-candidate pools, oracle selection improves complete factual success from 26.7% to 90.0%. In a separate eight-input study, human-guided recursive refinement satisfies all seven requirements for every input, compared with three under parallel Oracle@8. Together, our benchmark, analysis, and data pipeline establish a foundation for models to reflect on 3D content through reliable verification feedback.
• Abstract（参考訳）: マルチモーダル大言語モデル(MLLM)と3次元生成の最近の進歩は、3次元理解と合成を拡大している。 しかし、視覚的忠実性以外にも、3Dエビデンスに基づくタスク固有の正当性は大きな課題である。 信頼性の高い3Dシステムの構築には、より強力な生成と推論だけでなく、未完成な要求を特定し、それらの違反を説明する検証フィードバックも必要である、と我々は主張する。 このようなフィードバックは多視点観測を統合し、実際の矛盾と投影に依存した外観を区別する必要がある。 私たちは3つの貢献をします。 まず、3DVerifierBenchという10のタスクにまたがるベンチマークを紹介します。 人間による研究では、人間と最強の試験モデルであるGPT-6 Astraの21.6ポイントの差が示され、説明と認識の分析は拒絶の信頼性の弱点を露呈している。 第2に,細粒度な事実カテゴリの検証,値の誤りの暴露,ターゲットバインディングについて分析する。 マルチビューファクト抽出,制御された3D編集,ネイティブアノテーションを組み合わせたスケーラブルなパイプラインを開発し,矛盾する説明とリンクされた反事実を含む14,126のトレーニング例を生成する。 第3に,候補選択と再帰的改善により,検証が3次元生成をどのようにサポートするかを検討する。 人体ラベル付き16候補プールでは、オラクルの選択は26.7%から90.0%に改善される。 別個の8インプット調査では、ヒューマンガイドによる再帰的洗練は、すべてのインプットに対して7つの要件をすべて満たしている。 ベンチマーク、分析、データパイプラインは、信頼性の高い検証フィードバックを通じて、モデルが3Dコンテンツを反映する基盤を確立します。

関連論文リスト

• OmniJudge or OmniBias? Diagnosing Multimodal Judges through Balanced, Decoupled Lenses [15.379006872674106]
  D3-Omniは、微粒なマルチモーダル理解を診断するためのバランスのとれた、分離されたベンチマークである。 次元にわたって情報を漏らすような出力を再生成するのではなく、正の正の種子を固定し、負を導出する。 結果として得られるD3設計はデュアルバランスであり、負のサンプル不足とディメンション毎のラベルの不均衡を軽減するのに役立つ。
  論文  参考訳（メタデータ） (2026-08-25T07:18:35Z)
• 3D-DefectBench: A Controlled Factorial Study of Vision-Language Model Evaluation Pipelines for Fine-Grained 3D Generation Defects [17.49934543489464]
  本稿では,3次元欠陥検出パイプラインの解析のためのベンチマークおよびフレームワークである3D-DefectBenchを紹介する。 VLM, カメラプロトコル, 視覚入力, プロンプトスキーマの4つのパイプライン要素は, 84の推論設計によって異なる。 12人のVLM審査員のベストは、トレーニングされた人間のラベルをまだ遅れている一方、専門家と契約したラベルをノイズの多いシルバーラベルに置き換えると、テクスチャの合意は急落する。
  論文  参考訳（メタデータ） (2026-07-12T16:41:24Z)
• Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models [66.3899679538548]
  生成可能な3Dモデルは、ゲーム、ロボティクス、没入型生成にデプロイされる。 どの生成モデルが生成したのかを特定できますか。 この問題は、分散属性信号と現実的なデプロイメント制約という、2つの主要な課題に直面している。
  論文  参考訳（メタデータ） (2026-05-18T09:36:48Z)
• ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
  空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。 本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
  論文  参考訳（メタデータ） (2026-04-27T10:45:51Z)
• Evian: Towards Explainable Visual Instruction-tuning Data Auditing [14.93566912726999]
  本稿では,モデル応答を構成的認知要素に分解する「分解的評価」パラダイムを提案する。 このパラダイムを、画像テキスト一貫性、論理コヒーレンス、ファクチュアル正確性の軸に沿ってこれらのコンポーネントを評価する自動化フレームワークであるEVIANを介してインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-22T13:28:27Z)
• DR$^{3}$-Eval: Towards Realistic and Reproducible Deep Research Evaluation [55.02569059688697]
  Deep Research Agents (DRA) は、計画、検索、マルチモーダル理解、レポート生成を含む、複雑で長期にわたる研究課題を解決することを目的としている。 DR$3$-Evalは,マルチモーダル・マルチファイルレポート生成におけるディープリサーチエージェントの評価のための,現実的で再現可能なベンチマークである。
  論文  参考訳（メタデータ） (2026-04-16T06:40:02Z)
• Can Unified Generation and Understanding Models Maintain Semantic Equivalence Across Different Output Modalities? [61.533560295383786]
  Unified Multimodal Large Language Models (U-MLLM) は、単一のアーキテクチャ内で理解と生成を統合する。 我々は,U-MLLMが画像のモダリティにおいて同じ結果をレンダリングするために必要な場合,意味的等価性を維持することができないことを観察する。 VGUBenchは、推論ロジックを生成の忠実性から切り離すためのフレームワークである。
  論文  参考訳（メタデータ） (2026-02-27T06:23:56Z)
• GRAID: Enhancing Spatial Reasoning of VLMs Through High-Fidelity Data Generation [31.365285503503475]
  標準検出器から2次元ボックスを用いて空間推論を学習するためのフレームワークを提案する。 GRAIDデータに基づいて訓練すると、モデルは過剰詳細保持型を一般化する空間的推論概念を学習する。 また、すべての質問タイプでトレーニングすると、いくつかの既存のベンチマークの改善が達成されることを示す。
  論文  参考訳（メタデータ） (2025-10-25T02:07:23Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)

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。