ビジョン言語モデルは本当にマルチビジョンセンサーを理解しているのか？

Are Vision-Language Models Truly Understanding Multi-vision Sensor?

December 30, 2024

著者: Sangyun Chung, Youngjoon Yu, Youngchae Chee, Se Yeon Kim, Byung-Kwan Lee, Yong Man Ro

cs.AI

要旨

大規模ビジョン言語モデル（VLMs）は、ビジョン入力をテキストと整合させることで、コンピュータビジョンタスクのパフォーマンスを大幅に向上させてきました。さらに、VLMsを実世界のアプリケーションで効果的に活用するためには、サーマル、深度、X線など多様なマルチビジョンセンサーデータの理解が不可欠です。しかし、現在のVLMsは、センサー情報の深い理解なしにマルチビジョンセンサー画像を処理しており、各センサー固有の物理特性を無視しています。この制限により、複数のビジョンセンサー推論が必要な複雑な問いに対応する能力が制限されています。この課題に対処するため、私たちは新しいマルチビジョンセンサー認識および推論（MS-PR）ベンチマークを提案し、VLMsのセンサー固有の推論能力を評価します。さらに、多様なネガティブ属性（DNA）最適化を導入して、VLMsがマルチビジョンセンサータスクで深い推論を行うことを可能にし、画像とセンサーデータ間の核心情報ギャップを埋めるのに役立ちます。幅広い実験結果が、提案されたDNA手法がVLMsのマルチビジョンセンサー推論を大幅に改善できることを検証しています。

English

Large-scale Vision-Language Models (VLMs) have advanced by aligning vision inputs with text, significantly improving performance in computer vision tasks. Moreover, for VLMs to be effectively utilized in real-world applications, an understanding of diverse multi-vision sensor data, such as thermal, depth, and X-ray information, is essential. However, we find that current VLMs process multi-vision sensor images without deep understanding of sensor information, disregarding each sensor's unique physical properties. This limitation restricts their capacity to interpret and respond to complex questions requiring multi-vision sensor reasoning. To address this, we propose a novel Multi-vision Sensor Perception and Reasoning (MS-PR) benchmark, assessing VLMs on their capacity for sensor-specific reasoning. Moreover, we introduce Diverse Negative Attributes (DNA) optimization to enable VLMs to perform deep reasoning on multi-vision sensor tasks, helping to bridge the core information gap between images and sensor data. Extensive experimental results validate that the proposed DNA method can significantly improve the multi-vision sensor reasoning for VLMs.