arXiv cs.CL· Xiaomeng Wang, Martha Larson, Zhengyu Zhao·· 11 小时前AI 评分31
视觉文本样式如何影响大型视觉语言模型的属性描述
Revealing the Impact of Visual Text Style on Attribute-based Descriptions Produced by Large Visual Language Models
AI 导读
研究发现，即使大型视觉语言模型（LVLM）正确识别出图像中文字所指的概念，文字的视觉样式仍会影响其对该概念的属性描述。实验对比了功能性样式（如黑色无衬线字体）与装饰性样式（如彩色手写体），证实存在非平凡的样式泄漏，即文本样式渗入语义推理。该成果已被 ICMR 2026 接收，作者呼吁对基于 LVLM 的多媒体系统开展样式感知的评估与缓解。
正文 · AI 翻译
摘要：当考虑文本的视觉风格时，可以观察到字体、颜色和大小上的广泛多样性。然而，当一个词被阅读时，其含义与它被书写或渲染时所采用的风格无关。在本文中，我们研究图像中一个词被可视化呈现的风格是否以及如何影响大型视觉语言模型（LVLM）对该词所指概念所提供的描述。具体而言，我们研究功能性文本风格（面向可读性，例如黑色无衬线字体）与装饰性风格（面向展示，例如彩色草书/手写体）如何影响 LVLM 对该概念在其属性方面的描述。我们的实验研究了这样一种情形：LVLM 能够正确识别视觉文本（即作为图像渲染的一个或多个词）所指的概念，并且视觉文本风格不应影响 LVLM 所生成的基于属性的描述。我们的实验结果表明，即使概念被正确识别，文本风格也会影响模型对该概念的基于属性的描述。我们的发现证明了从文本风格到语义推理的非平凡风格泄漏，并推动针对基于 LVLM 的多媒体系统的风格感知评估与缓解。
| 评论： | 已被 ICMR 2026 接收。代码可在 此 https URL 获取 |
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2604.27553 [cs.CV] |
| （或 arXiv:2604.27553v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.27553 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiaomeng Wang [查看邮箱]
[v1]
2026年4月30日 星期四 08:01:45 UTC（795 KB）
来源：arXiv cs.CL · arxiv.org