Puzzled by Puzzles: When Vision-Language Models Can't Take a Hint
Created by
Haebom
저자
Heekyung Lee, Jiaxin Ge, Tsung-Han Wu, Minwoo Kang, Trevor Darrell, David M. Chan
개요
본 논문은 시각적 수수께끼인 rebus 퍼즐을 풀 수 있는 현대 시각-언어 모델(VLMs)의 능력을 조사합니다. 다양한 영어 rebus 퍼즐을 포함하는 수동으로 생성 및 주석이 달린 벤치마크를 구축하여, 단순한 그림 대체부터 공간적으로 의존적인 단서까지 다양한 수준의 퍼즐을 VLMs에 적용합니다. VLMs의 성능 분석을 통해 단순한 시각적 단서 해독에는 어느 정도 성능을 보이지만, 추상적 추론, 측면 사고 및 시각적 은유 이해가 필요한 작업에서는 어려움을 겪는다는 것을 밝힙니다.
시사점, 한계점
•
시사점: VLMs의 시각-언어 이해 능력의 한계를 rebus 퍼즐이라는 독특한 과제를 통해 명확히 보여줍니다. 추상적 사고, 측면 사고 및 시각적 은유 이해 능력 향상에 대한 연구 방향을 제시합니다. 새로운 rebus 퍼즐 벤치마크 데이터셋을 제공합니다.
•
한계점: 수동으로 생성된 제한적인 규모의 데이터셋을 사용했습니다. 다양한 언어 및 문화적 배경을 고려하지 못했습니다. VLMs의 성능 저하 원인에 대한 심층적인 분석이 부족합니다.