論文の概要: VHA: VQA-based Hallucination Assessment for Generative Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2610.25770v1
• Date: Mon, 19 Oct 2026 04:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 11:40:31.141267
• Title: VHA: VQA-based Hallucination Assessment for Generative Image Super-Resolution
• Title（参考訳）: VHA:VQAを用いた画像超解像のための幻覚評価
• Abstract要約: 双方向視覚質問応答(VQA)に基づく幻覚評価手法を提案する。 提案手法は視覚言語モデル(VLM)を用いて,超解像における意味的内容と低レベルな視覚的証拠が,その基盤的真実によって支持されているかどうかを判断する。 VHA+は,地上と超解像の対からVHAスコアを直接予測する,学習的で軽量なモデルである。
• 参考スコア（独自算出の注目度）: 38.084068099912095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative image super-resolution produces visually realistic high-resolution images, but may also introduce hallucinations by adding unsupported content or altering existing details. Because existing super-resolution metrics fail to measure whether generated details remain grounded in the reference image, we present a hallucination assessment technique based on bidirectional visual question answering (VQA), which we term VQA-based Hallucination Assessment (VHA). The proposed approach uses a vision-language model (VLM) to determine whether the semantic content and low-level visual evidence in a super-resolved image are supported by its ground-truth counterpart. To this end, it constructs question--answer pairs from each image and evaluates them on both images. Discrepancies between the resulting scores in both directions reveal missing or altered ground-truth information and unsupported additions. However, obtaining these scores requires computationally expensive VLM inference. We therefore develop VHA+, a learned, lightweight model that directly predicts VHA scores from ground-truth and super-resolved image pairs. We construct a hallucination benchmark, VHA-bench, through a human study and show that both VHA and VHA+ correlate highly with human judgments of hallucination. The code, benchmark, and model weights are available at https://github.com/dhryougit/Hallucination-Assessment
• Abstract（参考訳）: 生成画像スーパーレゾリューションは、視覚的にリアルな高解像度画像を生成するが、サポート対象のコンテンツの追加や既存の詳細の変更によって幻覚をもたらすこともある。 既存の超高分解能測定では, 生成した詳細が基準画像に残されているかどうかを計測できないため, VQAに基づく双方向視覚質問応答(VQA)に基づく幻覚評価手法を提案し, 以下, VQAに基づく幻覚評価(VHA)と呼ぶ。 提案手法は視覚言語モデル(VLM)を用いて,超解像における意味的内容と低レベルな視覚的証拠が,その基盤的真実によって支持されているかどうかを判断する。 この目的のために、各画像から質問対を構築し、両画像上で評価する。 どちらの方向でも得られたスコアの相違は、真実の欠如または変化した情報と、サポートなしの追加を明らかにしている。 しかし、これらのスコアを得るためには、計算コストのかかるVLM推論が必要である。 そこで我々は,VHAのスコアを直接予測する学習的で軽量なモデルであるVHA+を開発した。 幻覚ベンチマークであるVHA-benchを構築し,VHAとVHA+の両者が幻覚の判断と高い相関性を示した。 コード、ベンチマーク、モデルウェイトはhttps://github.com/dhryougit/Hallucination-Assessmentで確認できる。

関連論文リスト

• When Prompts Override Vision: Prompt-Induced Hallucinations in LVLMs [54.411658510110215]
  本研究では,異なる要因が幻覚を誘発する程度をよりよく理解するために,HauScopeを提案する。 HalluVL-DPOは、市販のLVLMをより視覚的な応答に向けて微調整するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-04-23T17:54:36Z)
• SHALE: A Scalable Benchmark for Fine-grained Hallucination Evaluation in LVLMs [52.03164192840023]
  LVLM(Large Vision-Language Models)は、いまだ幻覚に悩まされている。 本稿では,スケーラブルで制御可能で多様な評価データを生成する自動データ構築パイプラインを提案する。 我々は,忠実度と事実性幻覚の両方を評価するためのベンチマークであるSHALEを構築した。
  論文  参考訳（メタデータ） (2025-08-13T07:58:01Z)
• Hallucination Score: Towards Mitigating Hallucinations in Generative Image Super-Resolution [4.620784952867118]
  私たちは「幻覚」の測定、分析、緩和に重点を置いている 我々は、幻覚的視覚要素を評価して「幻覚スコア」(HS)を生成するプロンプトを構築することで、MLLM(Multimodal large language model)を利用する。 我々のHSは人間の評価と密接に一致しており、超解像(SR)モデルに使用される以前の画像メトリクスに補完的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-07-18T21:13:50Z)
• A Comprehensive Analysis for Visual Object Hallucination in Large Vision-Language Models [30.037505914306504]
  視覚言語モデル(LVLM)はマルチモーダルタスクにおいて顕著な機能を示す。 LVLMはクエリ入力に基づいて不正確なビジュアルオブジェクト関連情報を生成し、安全性と信頼性に関する誤った情報や懸念を引き起こす可能性がある。 本稿では,LLaVAライクなLVLMの各コンポーネントを分析し,潜在的なエラーの発生源とその影響を同定する。
  論文  参考訳（メタデータ） (2025-05-04T01:47:58Z)
• Towards a Systematic Evaluation of Hallucinations in Large-Vision Language Models [57.58426038241812]
  LVLM(Large Vision-Language Models)は、複雑なマルチモーダルタスクにおいて顕著な性能を示す。 これらのモデルは、画像から様々な視覚的実体を暗黙的に認識または推測する必要がある場合、まだ幻覚に悩まされている。 本稿では,視覚的質問応答(VQA)ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T23:56:01Z)
• FIHA: Autonomous Hallucination Evaluation in Vision-Language Models with Davidson Scene Graphs [12.533011020126855]
  FIHA (Autonomous Fine-grained Hallucination evAluation Evaluation in LVLMs) について紹介する。 FIHAは、LLMフリーでアノテーションフリーな方法で幻覚LVLMにアクセスし、異なる種類の幻覚間の依存性をモデル化することができた。 FIHA-v1 というベンチマークを導入し,MSCOCO と Foggy の様々な画像に対する多様な質問からなる。
  論文  参考訳（メタデータ） (2024-09-20T16:19:53Z)
• Visual Description Grounding Reduces Hallucinations and Boosts Reasoning in LVLMs [52.497823009176074]
  LVLM(Large Vision-Language Models)はしばしば、幻覚として知られる事実情報を誤認する応答を生成する。 視覚的知覚の向上とLVLMの推論能力の向上を目的とした学習自由度手法であるVisual Description Grounded Decoding (VDGD)を紹介した。
  論文  参考訳（メタデータ） (2024-05-24T16:21:59Z)

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。