論文の概要: ACVA-Bench: Beyond Prompt Following in Abstract Concept Visualization Ability for Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2610.32058v1
• Date: Fri, 23 Oct 2026 01:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.322675
• Title: ACVA-Bench: Beyond Prompt Following in Abstract Concept Visualization Ability for Text-to-Image Models
• Title（参考訳）: ACVA-Bench: テキスト・画像モデルにおける抽象概念可視化機能におけるPromptの他に
• Abstract要約: テキスト・トゥ・イメージ(T2I)モデルが、抽象概念を正確で多様性があり、密接に関連する概念と区別可能な視覚表現に自律的に変換できるかどうかは不明である。 本稿では,抽象概念の心理学的規範に基づくカテゴリーバランスベンチマークACVA-Benchを紹介する。 本稿では,概念意味論によって制約された細粒度な視覚意味評価手法を提案し,生成した画像の意味表現の質を評価する。
• 参考スコア（独自算出の注目度）: 5.0042610152528155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image (T2I) models have achieved remarkable progress in image quality and instruction following, prompting growing research interest in their capacity for deep understanding that goes beyond literal prompt matching. However, without an explicit visual scheme provided, it remains unclear and has not been systematically evaluated whether T2I models can autonomously translate abstract concepts lacking a fixed visual referent, such as "loyalty," into visual representations that are accurate, diverse, and distinguishable from closely related concepts. We define this capability as Abstract Concept Visualization Ability (ACVA) and introduce ACVA-Bench, a category-balanced benchmark grounded in psycholinguistic norms of abstract concepts, which examines models' ACVA along three dimensions semantic sufficiency, representational diversity, and conceptual distinctiveness under a low-intervention setting that withholds concrete objects, scenes, or visual metaphors. Since abstract concepts lack a unique reference image, conventional evaluation metrics that rely on reference-image matching are difficult to apply. To address this, we propose a fine-grained visual-semantic evaluation method constrained by concept semantics, which decomposes concept semantics into independently verifiable visual-semantic questions to assess the semantic representation quality of generated images, with its validity further confirmed by human evaluation. Benchmarking results on mainstream T2I models show that these models rely on a small set of prototypical visual patterns, leaving room for improvement in representational diversity and conceptual distinctiveness for abstract concepts, thereby providing an interpretable and reproducible evaluation foundation for future research.
• Abstract（参考訳）: テキスト・ツー・イメージ(T2I)モデルは、画像の品質と命令の追従において顕著な進歩を遂げており、リテラル・プロンプト・マッチング以上の深い理解能力に対する研究の関心が高まっている。 しかし、明確な視覚的スキームが提供されていないため、T2Iモデルが「ロイヤリティ」のような固定された視覚的参照を持たない抽象概念を、正確で多様性があり、密接に関連する概念と区別可能な視覚表現に自律的に翻訳できるかどうか、体系的に評価されていない。 本稿では,抽象概念可視化能力 (ACVA) と定義し,抽象概念の心理言語規範に基づくカテゴリーバランスベンチマークであるACVA-Benchを導入する。 抽象概念にはユニークな参照画像がないため、参照画像マッチングに依存する従来の評価基準の適用は困難である。 そこで本研究では,概念意味論によって制約されたきめ細かな視覚意味論評価手法を提案し,概念意味論を独立に検証可能な視覚意味論問題に分解し,生成した画像の意味表現の質を評価する。 主流のT2Iモデルのベンチマーク結果によると、これらのモデルはプロトタイプの視覚パターンの小さなセットに依存しており、抽象概念の表現的多様性と概念的特異性を改善する余地を残し、将来の研究のために解釈可能で再現可能な評価基盤を提供する。

関連論文リスト

• Bridging Cognitive Gap: Hierarchical Description Learning for Artistic Image Aesthetics Assessment [51.40989269202702]
  審美的品質評価タスクは,AIGCの定量的評価システムの開発に不可欠である。 本研究では,記述生成による美的次元の分離を図った芸術的画像の美的評価フレームワークであるArtQuantを提案する。 提案手法は,従来のトレーニングの33%しか必要とせず,いくつかのデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-29T12:18:26Z)
• Advancing Ante-Hoc Explainable Models through Generative Adversarial Networks [24.45212348373868]
  本稿では,視覚的分類タスクにおけるモデル解釈可能性と性能を向上させるための新しい概念学習フレームワークを提案する。 本手法では, 教師なし説明生成器を一次分類器ネットワークに付加し, 対角訓練を利用する。 この研究は、タスク整合概念表現を用いた本質的に解釈可能なディープビジョンモデルを構築するための重要なステップを示す。
  論文  参考訳（メタデータ） (2024-01-09T16:16:16Z)
• CEIR: Concept-based Explainable Image Representation Learning [0.4198865250277024]
  本稿では,概念に基づく説明可能な画像表現(CEIR)を導入し,ラベルに依存しない高品質な表現を導出する。 提案手法は, CIFAR10, CIFAR100, STL10などのベンチマーク上で, 最先端の非教師付きクラスタリング性能を示す。 CEIRは、微調整なしで、オープンワールドイメージから関連概念をシームレスに抽出することができる。
  論文  参考訳（メタデータ） (2023-12-17T15:37:41Z)
• Text-to-Image Generation for Abstract Concepts [76.32278151607763]
  抽象概念のためのテキスト・画像生成フレームワーク(TIAC)を提案する。 抽象概念は曖昧さを避けるための詳細な定義で明確な意図に明確化されている。 LLM抽出フォームパターンセットから概念依存型フォームを検索する。
  論文  参考訳（メタデータ） (2023-09-26T02:22:39Z)
• ConceptBed: Evaluating Concept Learning Abilities of Text-to-Image Diffusion Models [79.10890337599166]
  本研究では,284のユニークな視覚概念と33Kの合成テキストプロンプトからなる大規模データセットであるConceptBedを紹介する。 我々は、対象、属性、スタイルのいずれかである視覚概念を評価し、また、構成性の4つの次元(計数、属性、関係、行動)を評価する。 私たちの結果は、概念を学ぶことと、既存のアプローチが克服に苦労する構成性を維持することのトレードオフを示しています。
  論文  参考訳（メタデータ） (2023-06-07T18:00:38Z)

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。