論文の概要: PhysCount: Do MLLMs Count Visual Appearances or Physical Entities?

• arxiv url: http://arxiv.org/abs/2610.40530v1
• Date: Thu, 29 Oct 2026 17:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:46:50.067871
• Title: PhysCount: Do MLLMs Count Visual Appearances or Physical Entities?
• Title（参考訳）: PhysCount:MLLMは視覚的外観か身体的存在か?
• Abstract要約: pysCountは、マルチモーダルな大規模言語モデルが画像に現れるものと、シーンに物理的に存在するものとを区別できるかどうかを評価するベンチマークである。 PhysCountには546の現実世界の画像と4,595の人間による質問が含まれている。
• 参考スコア（独自算出の注目度）: 21.15353511489684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images reveal appearances, but counting often asks about physical objects. A single entity may be visible directly, in several reflections, or through glass, so detecting every visible occurrence does not determine how many entities are present. Existing visual counting benchmarks rarely separate these two operations. We introduce PhysCount, a benchmark for evaluating whether multimodal large language models (MLLMs) can distinguish what appears in an image from what physically exists in the scene. PhysCount contains 546 real-world images and 4,595 human-written questions organized into 651 target-specific groups. For each group, annotators locate the relevant appearances, label how each is observed, and identify appearances of the same entity. Four complementary question families test the enumeration of appearances, the enumeration of physical entities, image-formation-specific counting, and appearance--entity correspondence. We measure both accuracy on each family and the proportion of groups answered entirely correctly. Across 40 MLLMs, counting visible appearances is substantially easier than recovering the identities that connect them. Even the strongest model answers every question correctly in only 13.36\% of groups. Performance declines when one entity produces many appearances or when its appearances cross observation modes. Higher image resolution improves access to visual evidence but brings limited gains in complete-group accuracy, whereas answering related questions jointly produces a marked improvement. These results expose a gap between recognizing what is visible and correctly recovering the physical entities behind those observations.
• Abstract（参考訳）: 画像は外観を明らかにするが、数えるとしばしば物理的な物体について尋ねる。 単一の実体は直接、いくつかの反射、またはガラスを通して見えることがあるので、可視的な発生を検知しても、その実体がいくつ存在するかは決定できない。 既存のビジュアルカウントベンチマークでは、これらの2つの操作を分離することは滅多にない。 マルチモーダル大規模言語モデル(MLLM)が画像に現れるものと、シーンに物理的に存在するものとを区別できるかどうかを評価するためのベンチマークであるPhysCountを紹介する。 PhysCountには546の現実世界の画像と4,595の人間による質問が含まれている。 各グループについて、アノテータは関連する外観を特定し、それぞれがどのように観察されているかをラベル付けし、同じ実体の外観を特定する。 4つの相補的な質問族は、外見の列挙、身体的実体の列挙、画像形成特化カウント、外見中心対応を検証した。 我々は,家族ごとの精度と集団の割合を正解率で測定した。 40個のMLLMで、目に見える外観を数えることは、それらを接続するアイデンティティを回復するよりも、はるかに容易である。 最強のモデルでさえ、わずか13.36 %のグループで全ての質問に正しく答える。 1つの実体が多くの外観を生み出したり、その外観が観察モードを越えたりすると、性能は低下する。 画像の高解像度化は、視覚的エビデンスへのアクセスを改善するが、完全グループ精度が制限される一方で、関連する質問に共同で答えることで、顕著な改善をもたらす。 これらの結果は、目に見えるものを認識することと、それらの観察の背後にある物理的実体を正しく回復することのギャップを露呈する。

関連論文リスト

• Diagnosing the Reference Gap: What Visual Scaffolds Can and Cannot Fix in Multimodal Reasoning [67.89652154476596]
  マルチモーダルな大規模言語モデルは、視覚的コンテンツを認識できるが、複数のステップをまたいでそれらを確実に理解するのに苦労する。 カウントでは、モデルはすべてのオブジェクトを見るが、カウントしたオブジェクトのトラックを失う。 数値化などの外部参照が、このギャップを狭めることができるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-10-29T06:00:35Z)
• 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)
• Diagnosing Dense Same-Class Attribute Misbinding in Large Vision-Language Models [7.647944993041615]
  本研究は、この盲点をDSCAM(Dense Same-Class Attribute Misbinding)として定式化する。 InstaBind-Liteは、直接測定可能な、制御されたベンチマークである。 524枚の画像には、529個のキュレートされたグループ、3-6個の同一のエンティティ、1773個のボックス化されたインスタンス、注文された隣人、識別可能な色のような属性、および4つの補完的な質問レベルが含まれており、決定論的に評価された質問は9580件である。
  論文  参考訳（メタデータ） (2026-08-17T17:01:21Z)
• 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)
• VisualFLIP: Do Predictions Depend on Task-Critical Visual Evidence in Multimodal Reasoning? [79.44137632338062]
  マルチモーダルな大規模言語モデルが視覚的推論問題に正しく答える場合、その予測はタスククリティカルな視覚的証拠によって実際に支持されているか? VisualFLIPは1,374枚の画像が基数,属性,空間,論理的タスクにまたがって同一の問合せペアとして配置されたベンチマークである。 ペアの両面を解く必要がある24個のMLLMと、少なくとも一方の面を解くモデルが両方の画像に対して同じ空でない答えを繰り返す頻度を測定するCR(Collapse Rate)を評価した。
  論文  参考訳（メタデータ） (2026-06-05T22:06:07Z)
• Can Unified Generation and Understanding Models Maintain Semantic Equivalence Across Different Output Modalities? [61.533560295383786]
  Unified Multimodal Large Language Models (U-MLLM) は、単一のアーキテクチャ内で理解と生成を統合する。 我々は,U-MLLMが画像のモダリティにおいて同じ結果をレンダリングするために必要な場合,意味的等価性を維持することができないことを観察する。 VGUBenchは、推論ロジックを生成の忠実性から切り離すためのフレームワークである。
  論文  参考訳（メタデータ） (2026-02-27T06:23:56Z)
• Can Vision-Language Models Count? A Synthetic Benchmark and Analysis of Attention-Based Interventions [0.4934817254755008]
  視覚言語モデル(VLM)は、画像の視覚特性に関するクエリに応答する際に、トレーニング中に学んだ固有のバイアスに依存することが多い。 本研究は,画像としての性能がどう変化するかを判断し,特性変化を促すための,総合的なベンチマークデータセットと評価フレームワークを構築した。 我々は,異なるレイヤにおける視覚的トークンに注目する,注意に基づく介入を実施し,その効果を視覚的条件によって評価する。
  論文  参考訳（メタデータ） (2025-11-21T19:18:41Z)
• Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
  我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。 我々は500人以上の参加者から行動データの35万件の試行を収集した。 次に、一般的な視覚モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:13Z)

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。