論文の概要: MDMR-Bench: A Multi-Dimensional Benchmark for Multi-Reference Image Generation

• arxiv url: http://arxiv.org/abs/2610.32459v1
• Date: Fri, 23 Oct 2026 10:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.493192
• Title: MDMR-Bench: A Multi-Dimensional Benchmark for Multi-Reference Image Generation
• Title（参考訳）: MDMR-Bench:マルチ参照画像生成のための多次元ベンチマーク
• Abstract要約: マルチ参照画像生成のための多次元ベンチマークMDMR-Benchを提案する。 MDMR-Benchは、代表機能設定を中心に構成され、画像生成の様々な次元にまたがる複数の評価サブセットから構成される。 本フレームワークでは,グローバルレベルの問合せとアトミックレベルの問合せの両方で構成された構造化チェックリストを用いて,モデル性能のさらなる診断を可能にする。
• 参考スコア（独自算出の注目度）: 44.16994492505327
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Image generation models have rapidly advanced, with many models now supporting generation conditioned on multiple reference images and textual instructions. Such models enable a wide range of applications, including entity fusion and attribute transfer across images. However, existing benchmarks for multi-reference image generation rely on limited evaluation dimensions and fail to capture the diverse challenges of the task. To address this limitation, we propose MDMR-Bench, a Multi-Dimensional benchmark for Multi-Reference image generation. MDMR-Bench is organized around representative capability settings and consists of multiple evaluation subsets spanning diverse dimensions of multi-reference image generation, including (1) common entity fusion and attribute transfer, (2) multi-element extraction from a single image, (3) infographic manipulation, and (4) visual reasoning-intensive generation. This design enables systematic analysis of model capabilities and failure modes across different challenge dimensions. Furthermore, to achieve more reliable and interpretable evaluation, we introduce a checklist-based evaluation protocol that decomposes generation quality into fine-grained evaluation aspects. Instead of relying solely on holistic scoring, our framework uses structured checklists composed of both global-level and atomic-level queries, enabling more diagnostic assessment of model performance. By benchmarking both open-source and proprietary models, we demonstrate that MDMR-Bench provides fine-grained insights into model performance across different dimensions. The dataset and code are publicly available.
• Abstract（参考訳）: 画像生成モデルは急速に進歩し、多くのモデルは複数の参照画像とテキスト命令で生成条件をサポートするようになった。 このようなモデルは、エンティティ融合や画像間の属性転送など、幅広いアプリケーションを可能にする。 しかし、既存のマルチ参照画像生成のベンチマークは、限られた評価次元に依存しており、タスクの多様な課題を捉えていない。 この制限に対処するため,マルチ参照画像生成のための多次元ベンチマークMDMR-Benchを提案する。 MDMR-Benchは,(1)共通エンティティ融合と属性転送,(2)単一画像からの多要素抽出,(3)インフォグラフィック操作,(4)視覚的推論集約生成など,多次元のマルチ参照画像生成にまたがる複数の評価サブセットから構成される。 この設計は、異なる課題領域にわたるモデル機能と障害モードの体系的な分析を可能にする。 さらに、より信頼性が高く解釈可能な評価を実現するために、我々は、生成品質をきめ細かい評価の側面に分解するチェックリストベースの評価プロトコルを導入する。 我々のフレームワークは、総合的なスコアのみに頼るのではなく、グローバルレベルとアトミックレベルの両方のクエリで構成された構造化されたチェックリストを使用して、モデルパフォーマンスのより詳細な診断を可能にする。 オープンソースモデルとプロプライエタリモデルの両方をベンチマークすることにより、MDMR-Benchが異なる次元にわたるモデルパフォーマンスに関する詳細な洞察を提供することを示す。 データセットとコードは公開されている。

関連論文リスト

• MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models [89.89575486159795]
  マルチイメージコンテキスト生成のためのベンチマークである textbfMICON-Bench を導入する。 本稿では,意味的および視覚的整合性の自動検証のためのMLLM駆動型評価-Checkpointフレームワークを提案する。 また、推論中に注意を動的に調整し、コヒーレンスを高め、幻覚を減らす訓練不要なプラグアンドプレイ機構であるtextbfDynamic Attention Rebalancing (DAR) を提案する。
  論文  参考訳（メタデータ） (2026-02-23T04:32:52Z)
• More Images, More Problems? A Controlled Analysis of VLM Failure Modes [80.64323947730905]
  大規模視覚言語モデル (LVLM) は目覚ましい能力を示しているが、複数の画像に対する理解と推論の能力は未解明のままである。 LVLMのマルチイメージ能力を厳格に評価する新しいベンチマークMIMICを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T18:45:13Z)
• I2I-Bench: A Comprehensive Benchmark Suite for Image-to-Image Editing Models [78.62380562116135]
  既存の画像編集ベンチマークは、タスクの範囲が限られており、評価範囲が不十分であり、手動のアノテーションに大きく依存している。 画像間編集モデルの総合的なベンチマークである textbfI2I-Bench を提案する。 I2I-Benchを用いて、多数の主流画像編集モデルをベンチマークし、様々な次元にわたる編集モデル間のギャップとトレードオフを調査した。
  論文  参考訳（メタデータ） (2025-12-04T10:44:07Z)
• UniREditBench: A Unified Reasoning-based Image Editing Benchmark [52.54256348710893]
  この研究は、推論に基づく画像編集評価のための統一ベンチマークUniREditBenchを提案する。 精巧にキュレートされた2,700個のサンプルからなり、8つの一次次元と18のサブ次元にわたる実世界シナリオとゲーム世界のシナリオをカバーしている。 このデータセットにBagelを微調整し、UniREdit-Bagelを開発した。
  論文  参考訳（メタデータ） (2025-11-03T07:24:57Z)
• ICE-Bench: A Unified and Comprehensive Benchmark for Image Creating and Editing [23.512687688393346]
  ICE-Benchは、画像生成モデルを厳格に評価するために設計された包括的なベンチマークである。 評価フレームワークは、6次元にわたる画像生成能力を評価する。 既存の世代モデルを徹底的に分析し、ベンチマークの難易度と現在のモデル能力と実世界の世代要件のギャップを明らかにする。
  論文  参考訳（メタデータ） (2025-03-18T17:53:29Z)
• M3-AGIQA: Multimodal, Multi-Round, Multi-Aspect AI-Generated Image Quality Assessment [65.3860007085689]
  M3-AGIQAは、AI生成画像のより人間らしく総合的な評価を可能にする包括的なフレームワークである。 モデル出力を人間の判断とより密接に整合させることで、M3-AGIQAは堅牢で解釈可能な品質スコアを提供する。
  論文  参考訳（メタデータ） (2025-02-21T03:05:45Z)

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。