論文の概要: When Depth Lies: Benchmarking Vision-Language Models on Mirror-Induced RGB-D Ambiguity

• arxiv url: http://arxiv.org/abs/2610.41651v1
• Date: Fri, 30 Oct 2026 12:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.701355
• Title: When Depth Lies: Benchmarking Vision-Language Models on Mirror-Induced RGB-D Ambiguity
• Title（参考訳）: 奥行きの嘘:鏡誘起RGB-D曖昧性に関するビジョンランゲージモデルのベンチマーク
• Abstract要約: 実世界のシーンから1011枚のRGB-D画像を収集し,室内・屋外の多様な環境,反射面型6種類,昼・夜間の両方の条件で収集した。 すべての画像には反射面領域マスクと、直接観察されたオブジェクトとミラー反射されたオブジェクトの両方のためのマスクアノテーションが付加されている。 MIRA-Benchというベンチマークは,8つのサブタスクにまたがる14,140対のQAペアを3つの認知レベル(反射認識知覚,空間推論,シーンレベルの意思決定)に分類した。
• 参考スコア（独自算出の注目度）: 30.27270983053616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have made significant progress in spatial reasoning, particularly by integrating RGB images with depth data, which is often assumed to faithfully reflect physical distances. However, mirrors violate this assumption: they distort depth readings while reproducing object appearances, making reflections difficult to distinguish from real objects. As existing benchmarks rarely consider such reflective scenarios, VLM performance in mirror scenes remains largely unexplored. In this work, we introduce a mirror-centric RGB-D dataset from reflective scenes to evaluate the spatial reasoning capabilities of state-of-the-art VLMs in these scenarios. Specifically, we collect 1,011 RGB-D images from 525 real-world scenes, spanning diverse indoor and outdoor environments, six reflective surface types, and both daytime and nighttime conditions. All images are annotated with reflective surface region masks and mask annotations for both directly observed and mirror-reflected objects. Then, we curate a benchmark named MIRA-Bench (Mirror-Induced Reasoning Ambiguity Benchmark), comprising 14,140 QA pairs across eight sub-tasks organized into three cognitive levels: Reflection-aware Perception, Spatial Reasoning, and Scene-level Decision-making. We evaluate state-of-the-art VLMs on MIRA-Bench and find consistent failures across tasks: models misclassify whether objects are directly observed or reflected, fail to match reflected instances to their real-world counterparts, and produce erroneous spatial inferences. Remarkably, providing depth data actually degrades reasoning performance, implying that VLMs cannot identify incorrect depth in mirror scenes. The code and data are available at https://github.com/EvaYin-cloud/MIRA-Bench
• Abstract（参考訳）: 視覚言語モデル(VLM)は、特に物理距離を忠実に反映していると考えられる深度データとRGB画像を統合することにより、空間推論において大きな進歩を遂げている。 しかし、鏡は、物体の外観を再現しながら深度を読み取るのを歪め、反射を実際の物体と区別することが難しいという仮定に反する。 既存のベンチマークではそのような反射シナリオをほとんど考慮していないため、ミラーシーンでのVLMの性能は未解明のままである。 本研究では,これらのシナリオにおける最先端VLMの空間的推論能力を評価するために,反射シーンからの鏡中心のRGB-Dデータセットを提案する。 具体的には、525の現実世界のシーンから1011枚のRGB-D画像を収集し、様々な屋内環境と屋外環境、反射面型6種類、昼と夜の両方の条件で撮影する。 すべての画像には反射面領域マスクと、直接観察されたオブジェクトとミラー反射されたオブジェクトの両方のためのマスクアノテーションが付加されている。 次に,MIRA-Bench (Mirror-induced Reasoning Ambiguity Benchmark) というベンチマークを作成した。 MIRA-Bench 上での最先端 VLM の評価とタスク間の一貫した障害の発見を行う。 注目すべきは、深度データを提供することは推論性能を低下させ、VLMがミラーシーンの誤った深度を識別できないことを意味する。 コードとデータはhttps://github.com/EvaYin-cloud/MIRA-Benchで公開されている。

関連論文リスト

• Reflection-Robust 6DoF Object Tracking with Light Fields [2.349064979059294]
  我々は、光場をベースとした6DoFトラッカーを導入し、この明らかなニュアンスをポーズキューに変換する。 フレーム毎に反射に対して強い深さを回復し,それを点雲にバックプロジェクションし,表面の正常さを推定する。 その後、物体の視界依存的な外観を拡散アルベドとそれが反射する環境マップに分解し、照準可能な表面光場をもたらす。
  論文  参考訳（メタデータ） (2026-10-04T02:45:31Z)
• MirrorWorld: Taming Video Diffusion Models for Mirror Reflection Generation [46.878264012748694]
  本稿では,世代間のシーン・ミラー関係をモデル化したリフレクション対応映像インパインティングフレームワークを提案する。 MirrorWorldは、代表的な画像ベースリフレクション生成法よりも改善されたリフレクション再構成品質を実現する。
  論文  参考訳（メタデータ） (2026-08-07T17:58:10Z)
• MirrorVerse: Pushing Diffusion Models to Realistically Reflect the World [28.104534788009865]
  拡散モデルは物理法則に完全に従わないことが多い。 現実世界のパフォーマンスを向上させるために,ミラーフュージョン2.0モデルを開発するための3段階のトレーニングカリキュラムを導入する。
  論文  参考訳（メタデータ） (2025-04-21T19:01:02Z)
• Gaussian Splatting in Mirrors: Reflection-Aware Rendering via Virtual Camera Optimization [14.324573496923792]
  3D-GSはしばしばリフレクションを仮想空間と誤解し、ミラー内の曖昧で一貫性のないマルチビューレンダリングをもたらす。 本稿では,リフレクションを物理ベース仮想カメラとしてモデル化することで,高品質なマルチビュー一貫したリフレクションレンダリングを実現する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T14:53:24Z)
• Reflecting Reality: Enabling Diffusion Models to Produce Faithful Mirror Reflections [26.02117310176884]
  拡散型生成モデルを用いて、高現実的で可視なミラー反射を生成する問題に取り組む。 現実世界の物体の高品位, リアル, 形状, 外観を意識した反射を生成するミラーフュージョン(MirrorFusion)と呼ばれる新しいディープコンディショニング手法を提案する。 MirrorFusionはSynMirrorの最先端の手法よりも優れており、広範囲な量的および定性的な分析によって示されている。
  論文  参考訳（メタデータ） (2024-09-23T02:59:07Z)
• MirrorGaussian: Reflecting 3D Gaussians for Reconstructing Mirror Reflections [58.003014868772254]
  MirrorGaussian は 3D Gaussian Splatting に基づくリアルタイムレンダリングによるミラーシーン再構築手法である。 本稿では,現実の3Dガウスと鏡面の両面の微分を可能にする直感的なデュアルレンダリング戦略を提案する。 我々の手法は既存の手法よりも優れており、最先端の結果が得られている。
  論文  参考訳（メタデータ） (2024-05-20T09:58:03Z)
• Monocular Identity-Conditioned Facial Reflectance Reconstruction [71.90507628715388]
  既存の方法は、顔の反射率モデルを学ぶために、大量の光ステージキャプチャーデータに依存している。 我々は、UV空間ではなく画像空間で反射率を学習し、ID2Reflectanceというフレームワークを提案する。 本フレームワークは,訓練に限られた反射率データを用いながら,単一の画像の反射率マップを直接推定することができる。
  論文  参考訳（メタデータ） (2024-03-30T09:43:40Z)
• Revisiting Single Image Reflection Removal In the Wild [83.42368937164473]
  本研究は,実環境におけるシングルイメージリフレクション除去(SIRR)の問題に焦点をあてる。 我々は,様々な現実世界のリフレクションシナリオに高度に適用可能な,高度なリフレクション収集パイプラインを考案した。 野生での反射除去(RRW)と呼ばれる大規模で高品質な反射データセットを開発する。
  論文  参考訳（メタデータ） (2023-11-29T02:31:10Z)
• NeRF-DS: Neural Radiance Fields for Dynamic Specular Objects [63.04781030984006]
  ダイナミック・ニューラル・ラジアンス・フィールド(英語版)(NeRF)は、動的シーンの単眼RGBビデオからフォトリアリスティック・ノベル・ビュー・イメージをレンダリングできる強力なアルゴリズムである。 観測空間の表面位置と配向に条件付される神経放射場関数を再構成することにより,その限界に対処する。 本研究では,現実的な環境下での異なる移動スペクトルオブジェクトの自己合成データセットを用いて,新しいビュー合成品質に基づくモデルの評価を行った。
  論文  参考訳（メタデータ） (2023-03-25T11:03:53Z)
• Symmetry-Aware Transformer-based Mirror Detection [85.47570468668955]
  デュアルパス・シンメトリ・アウェア・トランスフォーマーを用いたミラー検出ネットワーク(SATNet)を提案する。 SATNetにはSymmetry-Aware Attention Module (SAAM)とContrastとFusion Decoder Module (CFDM)の2つの新しいモジュールが含まれている。 実験の結果,SATNet は RGB と RGB-D の両方のミラー検出法に優れることがわかった。
  論文  参考訳（メタデータ） (2022-07-13T16:40:01Z)

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。