論文の概要: AcrossPlace: Do Vision--Language Models Recognize Places Beyond Their Source Views? A Comprehensive Benchmark
- arxiv url: http://arxiv.org/abs/2611.15314v1
- Date: Wed, 11 Nov 2026 10:51:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.106352
- Title: AcrossPlace: Do Vision--Language Models Recognize Places Beyond Their Source Views? A Comprehensive Benchmark
- Title(参考訳): AcrossPlace: ヴィジュアル-ランゲージモデルは、ソースビューを超えた場所を認識するか? 総合的なベンチマーク
- Abstract要約: AcrossPlaceは、双方向言語のための証明可能なベンチマークである。
AcrossPlaceは23の都市に56,726箇所、自動生成された156,800箇所、ルール管理された記述、113,404箇所のターゲット画像で構成されている。
- 参考スコア(独自算出の注目度): 5.540689438912017
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language-guided place recognition requires recovering geographic identity across visual observations beyond the image from which a description originates. However, aggregate retrieval scores often entangle observation transfer, gallery competition, and linguistic evidence, obscuring the underlying recognition capability. We introduce AcrossPlace, a provenance-aware benchmark establishing a systematic evaluation standard for bidirectional language--vision place recognition. Built upon GSV-Cities, AcrossPlace comprises 56,726 places across 23 cities, 156,800 automatically generated, rule-filtered descriptions, and 113,404 target images. Each description retains its source-image provenance, while retrieval operates on disjoint target observations. Text-to-image (T2I) and image-to-text (I2T) retrieval share a unified place-identity relevance criterion supporting multiple valid matches. Two geographic protocols evaluate unseen places within represented cities (P0) and generalization to held-out cities (P1). Paired observation comparisons, gallery-controlled evaluations, fixed-query scaling, and blinded annotation auditing systematically characterize retrieval performance. Across three training seeds, place-supervised SigLIP2 T2I Recall@1 decreases from 19.69% on source images to 12.31% on independent targets under P0. For fixed P1 queries, expanding the gallery from 500 to 8,425 places reduces Recall@1 from 14.67% to 2.87%. A 240-description audit further reveals discrepancies between automated acceptance and factual evidence. These findings establish AcrossPlace as a reproducible evaluation standard for assessing transferable place identity across visual observations and geographic environments.
- Abstract(参考訳): 言語誘導された場所認識は、記述が発する画像以外の視覚的観察における地理的アイデンティティの回復を必要とする。
しかし、集約された検索スコアは、しばしば観察の移動、ギャラリーの競争、言語的証拠を絡み合わせ、基礎となる認識能力を見落としている。
AcrossPlaceは、双方向言語における視覚的位置認識の体系的評価標準を確立する、実績認識型ベンチマークである。
GSV-Citiesをベースに構築されたAcrossPlaceは、23都市に56,726箇所、自動生成された156,800箇所、ルールフィルタによる記述、113,404箇所のターゲット画像で構成されている。
それぞれの記述は、ソースイメージの証明を保持し、検索は不整合なターゲット観測で動作する。
テキスト・ツー・イメージ(T2I)と画像・ツー・テキスト(I2T)の検索は、複数の有効なマッチングをサポートする統合された場所同一性関連基準を共有する。
2つの地理的プロトコルは、代表都市(P0)内の見えない場所を評価し、保留都市(P1)に一般化する。
視標比較,ギャラリー制御評価,固定クエリスケーリング,ブラインドアノテーション監査は,検索性能を体系的に特徴付ける。
SigLIP2 T2I Recall@1は3つのトレーニング種の中で、ソースイメージの19.69%からP0の独立ターゲットの12.31%に減少している。
固定されたP1クエリでは、ギャラリーを500から8,425に拡張することで、Recall@1を14.67%から2.87%に削減できる。
240項目の監査は、自動受け入れと事実証拠の相違をさらに明らかにしている。
これらの結果から、AcrossPlaceは、視覚的観察と地理的環境をまたいだ移動可能な場所の同一性を評価するための再現可能な評価基準として確立されている。
関連論文リスト
- Queryable Gaussian View Index: Text Retrieval and Selective Camera Localization [7.696526508795164]
テキストビュー検索と選択的なRGBカメラローカライゼーションは、アセットの座標フレームでポーズを返す。
QGVI-Tは、ガウス風のビューを、シーン位置の言語検索可能なインデックスに変換する。
意味的および語彙的検索は、オンラインレンダリング、VLM呼び出し、シーン固有のポーズネットワークなしで、異なる場所からビューを選択する。
論文 参考訳(メタデータ) (2026-10-30T07:41:15Z) - Generalized CycleGRPO for Fine-Grained Multimodal Understanding and Grounding [86.59310092295141]
本稿では、領域理解と局所化を結合した最初の統合強化学習フレームワークであるGeneralized CycleSuiteを紹介する。
CycleOはSAMTokの全体的なgIoUを57.5%から68.7%に改善し、GRESでは平均gIoUを71.2%から78.2%に改善する。
時間的タスクでは、チャラードでは51.9%のtIoU、DOVEでは33.3%のタイムアビデンスを達成している。
論文 参考訳(メタデータ) (2026-10-21T10:39:56Z) - VIEScore2: Unified Image Evaluation with Spatially Grounded Explanations [47.87491147340878]
VIEScore2は、任意の条件付き画像で画像の生成と編集を行うための統合評価器である。
VIEScore2は、イメージをNxNグリッドとして表現し、単一のモデルパスにおける品質スコアと欠陥位置を共同で予測する。
欠陥ローカライゼーションでは、VIEScore2は汎用VLMと特殊空間評価器の両方に優れる。
論文 参考訳(メタデータ) (2026-10-01T03:29:03Z) - GeoContext: One Context Ladder, Two Failure Modes in Vision-Language Geolocation: Flat Reliance on User-Provided Location Context and False Confirmation of Location Claims [11.956914785193709]
GeoHintとGeoVerifyは、画像が主張された場所から150m以内で撮影されたかどうかのバイナリ検証である。
GeoContextは、距離と参照可能性に応じて近くの参照ポイントを階層化することでコンテキストはしごを構築する。
ベンチマークは30都市の109のサイトをカバーし、21,933のGeoHintレスポンスと6,270のGeoVerifyレスポンスを使用して5つのビジョン言語モデルを評価する。
論文 参考訳(メタデータ) (2026-09-04T22:52:31Z) - GeoSEAN: Explainable Country-Level Image Geolocation for ASEAN Regions [0.0]
本研究は、ASEAN11カ国における国レベルの画像位置決めパイプラインについて説明する。
GeoGuessrスタイルのソースやGoogle Images、さらにストリートレベルの画像から4,850枚の画像を収集しました。
説明可能性について,CLIPアテンションロールアウト,YOLO26オブジェクト検出,EBPG(Energy Based Pointing Game)の重なりによる予測を行った。
論文 参考訳(メタデータ) (2026-07-14T02:38:09Z) - Lost in the Tail: Addressing Geographic Imbalance in Urban Visual Place Recognition [9.31929142038003]
都市規模のビジュアルプレース認識は、ジオタグ付きデータベースとマッチングすることで、クエリ画像の地理的位置を特定することを目的としている。
近年の手法は優れた性能を発揮するが、都市規模データセットに隠された深刻な長尾問題を見落としている。
本研究では,モデルに依存しないプラグインフレームワークであるDis Distribution-Aware Place Recognition (DAPR)を提案する。
論文 参考訳(メタデータ) (2026-06-30T19:33:39Z) - Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。
我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
論文 参考訳(メタデータ) (2025-10-13T01:12:21Z) - Exploring Local Memorization in Diffusion Models via Bright Ending Attention [62.979954692036685]
テキスト・画像拡散モデルにおける「右端」(BE)異常は、トレーニング画像の記憶に起因する。
本稿では,BEを既存のフレームワークに統合する簡易かつ効果的な手法を提案する。
論文 参考訳(メタデータ) (2024-10-29T02:16:01Z) - Contrastive Region Guidance: Improving Grounding in Vision-Language
Models without Training [79.27663870280038]
Contrastive Region Guidance (CRG) は、オープンソースの視覚言語モデルで視覚的プロンプトに応答できる訓練不要のガイダンス手法である。
領域アノテーションが提供されると、CRGはViP-Benchで最大11.1%精度が向上する。
また,空間推論へのCRGの適用性を示すとともに,What'sUpでは10%の改善が見られた。
論文 参考訳(メタデータ) (2024-03-04T18:55:30Z) - Inter-Image Communication for Weakly Supervised Localization [77.2171924626778]
弱教師付きローカライゼーションは、画像レベルの監督のみを使用して対象対象領域を見つけることを目的としている。
我々は,より正確な物体位置を学習するために,異なる物体間の画素レベルの類似性を活用することを提案する。
ILSVRC検証セット上でトップ1のローカライズ誤差率45.17%を達成する。
論文 参考訳(メタデータ) (2020-08-12T04:14:11Z)
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。