橋梁部材および損傷の空間理解に関するVQAベンチマークの検討とVLM評価

抄録

橋梁点検や診断では，視覚情報に基づく部材や損傷の空間的位置関係の理解が求められる．一方，VLMによる橋梁特有の位置表現理解は検証が十分ではない．本研究では，橋梁CADモデルから複数視点画像と質問応答データを生成し，VQAデータセットを構築した．これをQwen3.5-9BおよびGPT-5.6 Lunaに適用し，タスク種類や視点数による性能を比較した．その結果，部材や損傷の識別，位置や方向概念の理解が一定程度可能である一方，画像だけでは回答が困難な設問にも断定的に回答する場合があった．また，視点を微小変化させたjittering画像を追加すると，Qwen3.5ではtruncate率が低下し，GPT-5.6では正答率が向上した．本ベンチマークにより，モデル間の能力差を捉えられることを確認した．