跳到正文
arXiv cs.AI· Zihan Deng, Chuanzhi Xu, Huiqi Liang, Xiaozhen Zhong, Weidong Cai, Lequan Yu·· 10 小时前AI 评分27

SciFigQual-Bench:结合稿件上下文的科学图表质量评估基准

SciFigQual-Bench: Scientific Figure Quality Assessment with Manuscript-Linked Context

AI 导读

研究者提出 SciFigQual-Bench,一个面向已发表计算机会议论文图表的稿件关联基准,将每张图与其标题及索引解析出的引用段落绑定,从视觉清晰度、布局、标题一致性、上下文一致性和误导风险五个维度评分,证据缺失时该维度留空不评。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:科学图表的质量与稿件紧密相关:一张裁剪图可能视觉上清晰,却与其图注或引用它的段落相矛盾。大多数图像质量评估和图表理解方法针对的是孤立的视觉表面或问答得分,而非图、其图注与引用文本之间的一致性。一个同时看到图像和文本的单一端到端提示仍会将可见内容与图注和引用段落所声称的内容混为一谈,因此流畅的措辞可能提高视觉得分,而缺失的文本可能被视为低质量。为弥补这一空白,我们推出 SciFigQual-Bench,这是一个面向已发表计算机科学会议论文图表的、与稿件关联的基准,它将每张图与其图注以及经索引解析的引用段落绑定,并对视觉清晰度、布局、图注一致性、上下文一致性和误导风险进行评分,当某一维度的证据缺失时则不对该维度进行评估。SFQ-Agent 在分开的调用中读取图像和文本,并记录特定模态的证据。跨模态评判器根据这些报告对图注和引用文本的一致性进行评分,确定性运行器保留视觉得分,按固定规则设定误导风险,并应用书面上限,因此每个维度都遵循评分标准,而非单一的端到端提示。将这种分阶段评判与单遍和 OCR 辅助协议进行比较的实验发现,在分阶段评判下,点估计与人类平均评分的拟合最为接近,而各协议之间的差距仍然很小。图注一致性仍是主要差距,而与评分者均值的一致性所回答的问题不同于人类评分者之间的一致性。项目页面:this https URL
主题: 计算机视觉与模式识别(cs.CV);人工智能(cs.AI)
ACM 分类: I.2.6; I.2.10; I.4.8
引用为: arXiv:2607.27084 [cs.CV]
  (或本版本使用 arXiv:2607.27084v4 [cs.CV])
  https://doi.org/10.48550/arXiv.2607.27084

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Zihan Deng [查看邮箱]
[v1] 2026年7月29日星期三 16:07:44 UTC(4,068 KB)
[v2] 2026年9月10日星期四 15:49:22 UTC(3,840 KB)
[v3] 2026年9月26日星期六 17:02:21 UTC(4,820 KB)
[v4] 2026年11月18日星期三 08:57:18 UTC(4,397 KB)

来源:arXiv cs.AI · arxiv.org