論文の概要: Beyond Correct Answers: How Compositional Cues Shape Visual Judgments
- arxiv url: http://arxiv.org/abs/2610.28843v1
- Date: Tue, 20 Oct 2026 19:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 09:50:43.216218
- Title: Beyond Correct Answers: How Compositional Cues Shape Visual Judgments
- Title（参考訳）: 正しい答えを超えて:構成的キューが視覚的判断を形作る方法
- Abstract要約: 視覚的な質問応答には、属性と関係を正しいオブジェクトに割り当てるモデルが必要である。
画像とクレームを固定することにより、フィールドラベル効果を10モデルと6タスクで比較する。
関連ラベルがあるので、オブジェクトローレラベルを追加することはQwen3に役立つが、SpatialでQwen2を傷つける。
- 参考スコア（独自算出の注目度）: 24.37480124807671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual question answering requires models to assign attributes and relations to the correct objects, a problem known as visual binding. Structured prompts make these assignments explicit through labeled fields. Yet an improvement from the full prompt does not reveal which labels help or how they interact. First, we isolate field-label effects across ten models and six tasks by holding the image and claim fixed. These comparisons reveal differences that overall accuracy can hide. With a relation label present, adding object-role labels helps Qwen3 but hurts Qwen2 on Spatial. Second, we compare auxiliary hints that preserve or swap the question's role assignments against a no-hint baseline. Across two image sets, Qwen3's advantage with preserving hints mainly reflects errors caused by swapped hints. Preserving hints remain near baseline. Field order further affects the harm. Third, we test clearer hint wording and direct selection of the relation shown in the image. Clearer hints improve text matching but do not consistently improve visual judgments. In contrast, relation selection partly reduces errors for some hints in Qwen3 and GPT-4.1-mini.
- Abstract（参考訳）: 視覚的質問応答には、属性と関係を正しいオブジェクトに割り当てるモデルが必要である。
構造化プロンプトは、ラベル付きフィールドを通してこれらの割り当てを明確にする。
しかし、フルプロンプトによる改善は、どのラベルが役に立つか、どのように相互作用するかを明らかにしていない。
まず,画像の保持とクレームの固定により,10種類のモデルと6つのタスクにまたがるフィールドラベル効果を分離する。
これらの比較は、全体的な精度が隠せる相違を明らかにしている。
関連ラベルがあるので、オブジェクトローレラベルを追加することはQwen3に役立つが、SpatialでQwen2を傷つける。
第二に、質問の役割の割り当てを保存するか、置き換える補助的なヒントを非隠れベースラインと比較する。
2つのイメージセットにわたって、ヒントを保存するQwen3の利点は、主にスワップされたヒントによるエラーを反映している。
ヒントの保存はベースラインに近いままである。
フィールドオーダーはさらに害に影響を及ぼす。
第3に、画像に示される関係のより明確なヒント表現と直接選択をテストする。
明瞭なヒントはテキストマッチングを改善するが、視覚的な判断を一貫して改善しない。
対照的に、関係選択はQwen3とGPT-4.1-miniのいくつかのヒントの誤りを部分的に減少させる。
関連論文リスト
- When Can Text Replace Vision? Structural Bottlenecks in Diagram Reasoning [21.759719863161635]
我々は,原画像,視覚言語モデルで抽出した質問盲構造,図由来の金構造という3つの入力条件を比較した。
凍結プロトコルで評価された240の公開FlowGenダイアグラムのリザーブドホールドアウトでは、ゴールド構造が87%の精度に達し、直接視覚と学習されたテキストはどちらも30%以下である。
論文 参考訳（メタデータ） (2026-09-30T07:08:43Z) - Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning [79.61386774847357]
ビジュアル・イン・コンテキスト・ラーニング(VICL)は、視覚基礎モデルを実証的なプロンプトで操作することで複数のタスクを処理できるようにする。
このようなプロンプトの選択はVICLのパフォーマンスに大きく影響し、重要な課題として際立っている。
我々は,ラベル選択におけるラベルの役割を強調するLaPR(Label-aware Prompt Retrieval)というフレームワークを開発した。
論文 参考訳（メタデータ） (2026-04-04T09:18:31Z) - Ask Questions with Double Hints: Visual Question Generation with Answer-awareness and Region-reference [107.53380946417003]
本稿では,応答認識と領域参照を用いた視覚的質問生成のための新しい学習パラダイムを提案する。
我々は、追加の人間のアノテーションを導入することなく、視覚的ヒントを自己学習する簡単な手法を開発した。
論文 参考訳（メタデータ） (2024-07-06T15:07:32Z) - Linguistic Binding in Diffusion Models: Enhancing Attribute
Correspondence through Attention Map Alignment [87.1732801732059]
テキスト条件付き画像生成モデルは、エンティティとその視覚的属性間の誤った関連をしばしば生成する。
本稿では、まず、エンティティとその修飾子を識別するプロンプトを構文解析するSynGenを提案する。
新たな1つの挑戦的セットを含む3つのデータセットに対する人間による評価は、現在の技術手法と比較して、SynGenの大幅な改善を示している。
論文 参考訳（メタデータ） (2023-06-15T06:21:44Z) - Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。
Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。
ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
論文 参考訳（メタデータ） (2023-06-03T11:50:44Z)
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。