論文の概要: V-CAPE: Visual Consistency Assessment for Product Image Editing

• arxiv url: http://arxiv.org/abs/2610.38611v1
• Date: Wed, 28 Oct 2026 10:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 09:38:27.909579
• Title: V-CAPE: Visual Consistency Assessment for Product Image Editing
• Title（参考訳）: V-CAPE: プロダクトイメージ編集のための視覚的一貫性の評価
• Abstract要約: 本稿では,生成画像編集における視覚的一貫性を評価するための大規模データセットであるVisual Consistency Assessment for Product Image Editing (V-CAPE)を紹介する。 データセットは、バイナリアクセプション/リジェクトラベルと構造化障害モードで注釈付けされた40Kのユニークなソースターゲット製品イメージペアで構成されている。 V-CAPEは実世界の編集画像を3Dアセットから構築した合成サブセットと組み合わせ、現実的な評価と制御された分析を可能にする。
• 参考スコア（独自算出の注目度）: 5.683581728899591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in generative image editing enable complex transformations such as background replacement, object manipulation, and pose adjustment from natural language instructions. However, verifying that these transformations preserve visual consistency, defined as the preservation of an object's intrinsic visual attributes, including geometry, texture, color, and fine-grained details, remains a largely unsolved problem. This challenge is particularly pronounced at scale, where manual inspection is infeasible and automated quality assessment (AutoQA) could become essential. In this work, we introduce Visual Consistency Assessment for Product Image Editing (V-CAPE), a large-scale dataset for evaluating visual consistency in generative image editing. The dataset consists of 40K unique source-target product image pairs, each annotated with binary accept/reject labels and structured failure modes capturing fine-grained inconsistencies such as geometric distortions, pose errors, and identity mismatches. V-CAPE combines real-world edited images with a synthetic subset constructed from 3D assets, enabling both realistic evaluation and controlled analysis. Vision-language models (VLMs) across all evaluated size categories on AutoQA achieve accuracy below 65%, indicating that the dataset poses a substantial challenge regardless of model scale. Our results highlight fundamental limitations of current models in verifying visual consistency under transformation, positioning V-CAPE as a benchmark for advancing fine-grained image editing evaluation.
• Abstract（参考訳）: 生成画像編集の最近の進歩は、背景置換、オブジェクト操作、自然言語命令からのポーズ調整などの複雑な変換を可能にする。 しかしながら、これらの変換が、幾何学、テクスチャ、色、きめ細かい細部を含む、物体の固有の視覚特性の保存として定義された視覚的一貫性を保っていることを検証することは、ほとんど未解決の問題である。 この課題は特に,手作業による検査が不可能で,自動品質評価(AutoQA)が不可欠である,という点で顕著である。 本稿では,生成画像編集における視覚的一貫性を評価するための大規模データセットであるVisual Consistency Assessment for Product Image Editing (V-CAPE)を紹介する。 データセットは40Kのユニークなソースターゲット製品イメージペアで構成されており、それぞれにバイナリアクセプション/リジェクトラベルと、幾何学的歪み、ポーズエラー、アイデンティティミスマッチなどの微妙な不整合をキャプチャする構造化された障害モードがアノテートされている。 V-CAPEは実世界の編集画像を3Dアセットから構築した合成サブセットと組み合わせ、現実的な評価と制御された分析を可能にする。 AutoQAで評価されたすべてのサイズカテゴリにわたる視覚言語モデル(VLM)は、精度が65%未満である。 本研究は,V-CAPEを微細な画像編集評価のベンチマークとして位置づけ,変換下での視覚的整合性検証における現行モデルの基本的限界を強調した。

関連論文リスト

• Supermarket Product Detection and Recognition: Utilizing Deep Learning with Rectified Imagery [5.508843847232953]
  ホモグラフィー推定とフー変換を用いた補正画像の効果と,その限界が食料品の識別問題に及ぼす影響について検討した。 異なる物体検出モデルによる実験では、角度画像の補正により、画像中の食料品の検出精度が向上することが示唆されている。
  論文  参考訳（メタデータ） (2026-10-06T10:44:33Z)
• The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment [105.31858867473845]
  ImageCriticはエージェントフレームワークに統合され、不整合を自動的に検出し、マルチラウンドおよびローカル編集で修正する。 実験では、ImageCriticは様々なカスタマイズされた生成シナリオで詳細に関連する問題を効果的に解決することができ、既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-11-25T18:40:25Z)
• EdiVal-Agent: An Object-Centric Framework for Automated, Fine-Grained Evaluation of Multi-Turn Editing [170.71134330650796]
  EdiVal-Agentは、命令ベースの画像編集のためのオブジェクト指向評価フレームワークである。 標準のシングルターンだけでなく、マルチターンの命令ベースの編集を精度良く評価するように設計されている。 EdiVal-Benchは、インコンテキスト、フローマッチング、拡散パラダイムにまたがる9つの命令タイプと13の最先端編集モデルをカバーするベンチマークである。
  論文  参考訳（メタデータ） (2025-09-16T17:45:39Z)
• GIE-Bench: Towards Grounded Evaluation for Text-Guided Image Editing [60.66800567924348]
  テキスト誘導画像編集モデルを評価するための新しいベンチマークを導入する。 このベンチマークには、20種類のコンテンツカテゴリにわたる高品質な編集例が1000以上含まれている。 我々は、GPT-Image-1をいくつかの最先端編集モデルと比較する大規模な研究を行っている。
  論文  参考訳（メタデータ） (2025-05-16T17:55:54Z)
• HMGIE: Hierarchical and Multi-Grained Inconsistency Evaluation for Vision-Language Data Cleansing [54.970275599061594]
  我々は階層的・多階層的不整合評価(HMGIE)と呼ばれる適応的評価フレームワークを設計する。 HMGIEは、様々な画像キャプチャー対の精度と完全性の両方をカバーする多粒度評価を提供する。 提案手法の有効性と柔軟性を検証するため,様々なタイプの画像キャプチャー・データセットであるMVTIDを構築した。
  論文  参考訳（メタデータ） (2024-12-07T15:47:49Z)

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。