論文の概要: Can Image Agents Complete Visual Commissions? A Benchmark and Modular Framework
- arxiv url: http://arxiv.org/abs/2610.39330v1
- Date: Thu, 29 Oct 2026 04:26:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 00:12:07.047913
- Title: Can Image Agents Complete Visual Commissions? A Benchmark and Modular Framework
- Title（参考訳）: イメージエージェントはビジュアルコミッションを完結できるか?ベンチマークとモジュールフレームワーク
- Abstract要約: 12のカテゴリに600のタスクと3つの補完的な階層からなるVisual Commission Bench(VCB)を紹介します。
VCBは5,039の要件チェックと視覚的品質評価を使用して、コンテンツの正確性、視覚的実現、制約保存、デリバリ完全性を評価する。
本稿では,再利用可能なタスク,認知,表現モジュールを推論時に動的に構成する参照エージェントであるV-Protocolを提案する。
- 参考スコア（独自算出の注目度）: 18.79608967611431
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual commissions require image agents to integrate heterogeneous source materials, preserve requirements across dependent stages, and produce coordinated deliverables. Existing evaluations examine specific capabilities and execution settings, leaving end-to-end commission completion less understood. We introduce Visual Commission Bench (VCB), comprising 600 tasks across 12 categories and three complementary tiers, from capability-focused tasks to complete commissions. VCB uses 5,039 requirement checks and separate visual quality ratings to assess content correctness, visual realization, constraint preservation, and delivery completeness without prescribing an internal workflow. We present V-Protocol, a reference agent that dynamically composes reusable task, cognitive, and expression modules at inference time. Task modules organize delivery, cognitive modules derive content, and expression modules guide visual realization. The modules exchange structured intermediate artifacts, while a shared execution harness tracks artifact revisions and dependencies, manages tool execution, and checks completion. With the same controller and image generator as the agent baselines, V-Protocol achieves 69.0\% strict task success on VCB, compared with 42.0\% for SCOPE. On Mind-Bench, strict accuracy increases from 39.2\% to 45.4\%.
- Abstract（参考訳）: ビジュアルコミッショナーは、画像エージェントに異質なソース材料の統合、依存するステージ間の要求の保存、および調整された納品物の作成を要求する。
既存の評価では、特定の機能と実行設定を調べ、エンドツーエンドのコミッショニングの完了をあまり理解していないままにしている。
12のカテゴリに600のタスクと3つの補完的な階層から構成されるVisual Commission Bench(VCB)を紹介します。
VCBは5,039の要件チェックと視覚的品質評価を使用して、内部ワークフローを規定することなく、コンテンツの正確性、視覚的実現、制約保存、デリバリ完全性を評価する。
本稿では,再利用可能なタスク,認知,表現モジュールを推論時に動的に構成する参照エージェントであるV-Protocolを提案する。
タスクモジュールはデリバリを整理し、認知モジュールはコンテンツを導き、表現モジュールは視覚的実現を導く。
モジュールは構造化された中間アーティファクトを交換し、共有実行ハーネスはアーティファクトのリビジョンと依存関係を追跡し、ツールの実行を管理し、完了をチェックする。
エージェントのベースラインと同じコントローラとイメージジェネレータにより、V-Protocolは、SCOPEの42.0\%に比べて、VCB上での厳密なタスク成功率69.0\%を達成する。
Mind-Benchでは、厳密な精度は39.2\%から45.4\%に上昇する。
関連論文リスト
- OneScene-Bench: Do Vision-Language Models Integrate Evidence Across Views? [53.55448647707595]
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。
論文 参考訳（メタデータ） (2026-10-28T21:17:36Z) - DuplexBridge: Coordinating Understanding and Generation for Unified Image Editing [55.260058862252045]
複雑な画像編集は、忠実なタスク解釈と正確な実行を必要とするが、編集が失敗した場合、どの責任が失敗したかは明らかにしない。
我々は、統一モデル独自の理解能力を使用して、独自の生成能力のプロンプトを強化するDuplexBridgeを提案する。
タスク由来の変化と保存要件のジョイント満足度を測定する1200タスクのベンチマークであるCE-Benchを紹介する。
論文 参考訳（メタデータ） (2026-10-13T17:50:22Z) - MaLiang-Harness: A Programmable Path to Image and Video Generation [131.25289080401856]
本稿では,MLLMによる視覚生成を永続的な構築・検査・修正プロセスにまとめるフレームワークであるMaLiang-Harnessを紹介する。
我々は,MaLiang-IBench上の11個の強力なクローズソースMLLMとMaLiang-VBench上の4つのMLLMを評価し,生成成功,視覚的品質,計算コストを測定した。
論文 参考訳（メタデータ） (2026-09-28T04:48:06Z) - SWE-PolyVision: Benchmarking Cross-Image Abductive Reasoning for Repository-Level Software Engineering [27.5408805687601]
SWE-PolyVisionは、36のオープンソース組織による92の実際のタスクの実行可能なベンチマークである。
各タスクは、固定プレフィックスリポジトリと独立した検証ツールをペアリングし、サポートされた条件下で評価される。
トレースリンクされた2つのNative Visionケースは、補完的な視覚的およびテキスト的ヒントが、ソースローカライズされ、検証された修復につながることを示す。
論文 参考訳（メタデータ） (2026-09-24T13:04:53Z) - From Corpora to Co-Evolving Capabilities: Capability-Centric Data Design for Generalist Image Generation [22.386044581413316]
大規模な画像生成は、データスケール、品質、再バランス、再カプセル化の進歩の恩恵を受けているが、従来のパイプラインは通常、タスク固有のデータセットを分離して最適化する。
本稿では,機能に特有な監視構築と,機能に整合したカリキュラムスケジューリングを併用した,テキスト機能駆動型データ基盤を提案する。
このフレームワークは4億4000万イメージのT2Iコーパス、120万の編集ペア、2700万以上の画像エンタリティペアをキュレートする。
論文 参考訳（メタデータ） (2026-08-18T17:59:01Z) - ComplexityWorld: Benchmarking Vision-Language Models on Verifiable Visual Decision Making [30.869819258358405]
視覚言語モデル(VLM)は、視覚知覚を急速に進歩させ、画像に依存する現実的なタスクをますますサポートしている。
39のドメインにインスパイアされた視覚世界と29のカテゴリーにわたる390のタスクのベンチマークであるCompleXITYWORLDを紹介する。
論文 参考訳（メタデータ） (2026-08-05T10:05:41Z) - Crystalis: Progressive Nucleation and Semantic Annealing for Coordinated Multi-View Visualization Generation [27.412375108328174]
大規模言語モデル(LLM)は個々のチャートを生成することができるが、協調型マルチビュー可視化(CMV)は普及していない。
本稿では,CMVを構造化クエリに分解するクエリ中心のCMVモデリングに基づくフレームワークであるCrystalisを紹介する。
5つのフロンティアLCMにわたる12タスクのベンチマークで、Crystalisは最大75%のエンドツーエンドの成功を達成した。
論文 参考訳（メタデータ） (2026-06-07T09:38:44Z) - Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。
4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。
一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
論文 参考訳（メタデータ） (2025-08-05T12:52:09Z) - CLIPErase: Efficient Unlearning of Visual-Textual Associations in CLIP [57.49519639951552]
CLIPEraseは視覚的・テキスト的関連を選択的に忘れる新しいアプローチである。
CIFAR-100とFlickr30Kデータセットの実験は、CLIPEraseがマルチモーダルサンプルのゼロショットタスクにおける指定された関連性を効果的に忘れていることを示している。
論文 参考訳（メタデータ） (2024-10-30T17:51:31Z)
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。