論文の概要: OneScene-Bench: Do Vision-Language Models Integrate Evidence Across Views?

• arxiv url: http://arxiv.org/abs/2610.38926v1
• Date: Wed, 28 Oct 2026 21:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:17:32.794884
• Title: OneScene-Bench: Do Vision-Language Models Integrate Evidence Across Views?
• Title（参考訳）: OneScene-Bench: ビジョンランゲージモデルは、全体像のエビデンスを統合するか?
• Abstract要約: OneScene-Benchは、クロスビュー統合がいつ必要かを明確に区別するために設計されたベンチマークである。 本ベンチマークでは,一意なオブジェクトカウント,クロスビュー整合性,空間的推論という,実世界のマルチビューシーンにおける3つの補完機能を評価する。 計算精度は4.5-50.0%から45.5-81.5%までの相補的なビューで大幅に低下することがわかった。
• 参考スコア（独自算出の注目度）: 53.55448647707595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) increasingly process multiple views of the same scene, but it remains unclear whether they integrate these observations into a coherent scene-level representation. Existing multi-image evaluations do not isolate this capability, as tasks may admit correct solutions through independent per-view processing without requiring cross-view correspondence. We introduce OneScene-Bench, a controlled benchmark designed to explicitly distinguish when cross-view integration is necessary. Our benchmark evaluates three complementary capabilities on real-world multi-view scenes: unique object counting, cross-view consistency, and spatial reasoning. For counting, we control object overlap across views to separate cases solvable by simple per-view aggregation from those requiring instance-level correspondence. For consistency, we introduce localized edits in shared and view-specific regions, testing whether models distinguish genuine scene contradictions from differences caused by viewpoint and visibility. For spatial reasoning, we construct object relations that require combining spatial evidence across viewpoints to compare physical proximity. We evaluate twelve state-of-the-art open-weight and proprietary VLMs and find that counting accuracy drops substantially on complementary views, ranging from 4.5-50.0%, compared with 45.5-81.5% on complete-overlap examples. Moreover, cross-view consistency remains around 50% across models, including recent proprietary VLMs, despite substantially stronger performance on spatial reasoning. Our results reveal a substantial gap between processing multiple images and integrating evidence across them, highlighting the need for evaluations that explicitly test scene-level multi-view understanding. Code and data are available at https://github.com/swathisuhas/OneScene-Bench.
• Abstract（参考訳）: 視覚言語モデル(VLM)は同じシーンの複数のビューを処理するようになったが、これらの観察を一貫性のあるシーンレベルの表現に統合するかどうかは不明だ。 既存のマルチイメージ評価では、クロスビュー対応を必要とせず、独立したビュー単位の処理によって正しい解が認められる可能性があるため、この機能を分離しない。 OneScene-Benchは、クロスビュー統合がいつ必要かを明確に区別するために設計された、制御されたベンチマークである。 本ベンチマークでは,一意なオブジェクトカウント,クロスビュー整合性,空間的推論という,実世界のマルチビューシーンにおける3つの補完機能を評価する。 カウントするために、ビューをまたいでオブジェクトのオーバーラップを制御し、ビューごとの単純なアグリゲーションによって解決可能なケースをインスタンスレベルの対応を必要とするものと区別する。 一貫性のために、ビューとビュー特有の領域で局所的な編集を導入し、実際のシーンの矛盾を視点と可視性の違いから区別するかどうかをテストする。 空間的推論では,物体間の近接性を比較するために,空間的エビデンスの組み合わせを必要とするオブジェクト関係を構築している。 我々は、12の最先端のオープンウェイトおよびプロプライエタリなVLMを評価し、完全オーバーラップの例では45.5-81.5%に比べて、4.5-50.0%の範囲の相補的なビューにおいて、精度のカウントが大幅に低下することを発見した。 さらに、空間的推論の性能が著しく向上したにもかかわらず、最近のプロプライエタリなVLMを含むモデル間でのクロスビュー一貫性は50%程度維持されている。 以上の結果から,複数の画像の処理とエビデンスの統合の間には,シーンレベルのマルチビュー理解を明示的にテストする評価の必要性が指摘された。 コードとデータはhttps://github.com/swathisuhas/OneScene-Bench.comで公開されている。

関連論文リスト

• MultiView-Bench: A Diagnostic Benchmark for World-Centric Multi-View Integration in VLMs [40.317798580235]
  VLMの最近のベンチマークは、単一の視点または限られた視点の知覚を主に評価し、視点をまたいだ観察を一貫性のある世界中心の(偏心的な)3Dメンタルモデルに統合するコア認知能力を未検証のまま残している。 我々は,総合的な3Dシーン理解のためのマルチビュー統合を評価するための診断ベンチマークであるMultiView-Benchを紹介する。 情報的視点を積極的に選択し、知覚し、多視点エビデンスを融合するマルチエージェントフレームワークであるViewNavigatorを提案する。
  論文  参考訳（メタデータ） (2026-07-09T22:22:42Z)
• CVSBench: A Comprehensive Benchmark for Cross-view Spatial Reasoning and Dreaming [13.534076118011603]
  CVSBenchは、衛星とストリートのペアによる空間的推論を評価するための大規模なベンチマークである。 このベンチマークは、クロスビューVQA、クロスビューグラウンド、視点識別など、複数のタスクをサポートする。 言語のみの推論は,視覚空間の想像力を3次元シーンの想像パイプラインに組み込むことで,視線間の推論を大幅に改善する一方で,限界的な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-06-21T12:35:43Z)
• CrossView Suite: Harnessing Cross-view Spatial Intelligence of MLLMs with Dataset, Model and Benchmark [77.29150285469736]
  空間知能は、単一視点の知覚と理性を超えるためにマルチモーダルな大言語モデル(MLLM)を必要とする。 CrossView Suiteは、CrossViewSet、CrossViewBench、CrossViewerの3つの協調コンポーネントで開発しています。 提案手法は, 適応型空間領域トークンーザを備え, 微細なオブジェクト表現をキャプチャし, マルチビューオブジェクトを明示的にアライメントする。
  論文  参考訳（メタデータ） (2026-05-18T16:31:31Z)
• VIEW2SPACE: Studying Multi-View Visual Reasoning from Sparse Observations [47.94531550391802]
  多視点視覚推論は、スパースと離散的な視点から複雑な環境を理解する必要があるインテリジェントシステムにとって不可欠である。 現実のシナリオでは、ビュー間の推論は、明示的なガイダンスなしで部分的な観察を統合する必要がある。 我々は物理基底シミュレーションを利用して、ビュー毎の正確なメタデータを持つ多種多様な高忠実な3Dシーンを構築する。
  論文  参考訳（メタデータ） (2026-03-17T13:36:30Z)
• ViewSpatial-Bench: Evaluating Multi-perspective Spatial Localization in Vision-Language Models [68.46716645478661]
  視覚言語モデル (VLM) は視覚的内容の理解と推論において顕著な能力を示した。 現在のVLMは、主に自我中心の空間的推論(カメラの観点から)に優れるが、同中心の視点に一般化することができない。 マルチ視点空間位置認識評価に特化して設計された,初の総合的なベンチマークであるViewSpatial-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-05-27T17:59:26Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)

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。