R4-CGQA: コンピュータグラフィックス画像品質評価のための検索ベース視覚言語モデル

要旨：没入型のCGレンダリングは現代の日常生活で広く普及している。しかし、CG品質を包括的に評価することは二つの理由で難しい。第一に、既存のCGデータセットにはレンダリング品質の体系的な説明が欠けていること、第二に既存のCG品質評価手法は合理的なテキストベースの説明を提供できないことである。これらの問題に対処するため、まずユーザー視点からCG品質の六つの主要な知覚次元を特定し、それらの次元に沿った品質説明とともに3,500点のCG画像データセットを構築する。各説明は、選択した次元に沿ってCGのスタイル、内容、および知覚品質を網羅する。さらに、データセットの一部を用いて説明に基づくいくつかの質問-回答ベンチマークを構築し、既存の視覚言語モデル（VLM）の応答を評価する。現在のVLMは細かなCG品質を判断するには十分な精度を持っていないことが分かったが、視覚的に類似した画像の説明は、特定のCG画像に対するVLMの理解を大幅に向上させる可能性がある。これらの観察に動機づけられ、検索を活用した生成を採用し、VLMのCG品質評価能力を効果的に強化する二系統のリトリーバルフレームワークを提案する。いくつかの代表的なVLMでの実験により、本手法がCG品質評価における性能を大幅に向上させることを示している。