COREVQA ビジュアル質問応答ベンチマークデータセット

COREVQAは、2025年にアルゴバース人工知能研究センターによって公開された視覚的な質問応答ベンチマークデータセットです。関連する論文の結果は次のとおりです。 「COREVQA: 群衆観察と推論の含意に基づく視覚的質問応答ベンチマーク」群衆シーンにおける視覚言語モデル (VLM) の推論含意能力を評価することを目的としています。

このデータセットには、5,608組の画像と真偽文が含まれています。画像はCrowdHumanデータセットから取得されています。このデータは主に現実世界の混雑したシーンを描写しており、オクルージョン、視点の変化、背景の干渉といった課題に重点を置いています。複雑な社会的シナリオにおけるVLMのきめ細かな知覚と推論能力の向上を目指しています。

データには以下が含まれます:

• シーン画像（image_id）
• 自然言語による記述（質問）
• バイナリラベル（答え：TRUE / FALSE）