視覚対話（Visual Dialog）とは
Visual Dialog / VisDial
画像を提示しながら複数ターンにわたり質問応答を行う対話タスク
概要
視覚対話とは、1枚の画像を提示した状態で、その画像の内容について複数ターンにわたり質問と回答をやり取りする対話タスクを指す。 単発の画像に対する質問応答(Visual Question Answering)と異なり、過去の質問・回答の履歴を踏まえた上で、文脈に沿った一貫性のある回答を続ける点に特徴がある。 VLMの発展により、画像を見ながら複数回にわたり自然に受け答えするアシスタント的な用途で、この視覚対話の能力が活用されている。
比較
- マルチモーダル対話 — 視覚対話は、画像を対象に複数ターンの質問応答を行う特定のタスクであるのに対し、マルチモーダル対話は画像・音声・動画など複数モダリティを扱う対話全般を指すより広い概念