arXiv cs.AI· Sidra Hanif·· 13 小时前AI 评分31
inkGround：评测视觉语言模型对真实场景连笔手写细粒度视觉定位能力的基准
inkGround: Benchmarking Fine-grained Visual Grounding Capabilities of Vision-Language Models for Cursive Handwriting in the Wild
AI 导读
inkGround 是一个面向整页相机拍摄手写的笔画轨迹恢复基准，包含 537 张页面图像（约 18.7k 词、约 163k 笔画），参考轨迹由预训练离线转在线模型生成并经 OCR 一致性过滤与人工核验。
正文 · AI 翻译
摘要：人类手写笔迹是按顺序产生的笔尖运动序列，但离线图像只保留了最终的墨迹。手写轨迹恢复旨在还原有序的笔画点及其抬笔/落笔转换。现有的图像-轨迹配对数据集是在受控条件下用数字化平板记录的，这限制了书写者覆盖范围和风格多样性。此外，目前还没有基准来衡量通用视觉语言模型（VLM）在笔画轨迹恢复任务上的视觉定位能力。在本工作中，我们提出了 inkGround，一个从整页、相机拍摄的手写笔迹中恢复笔画轨迹的基准。inkGround 将 537 张页面图像（约 18.7k 词，约 163k 笔画）与由预训练的离线到在线模型生成的参考轨迹配对，经 OCR 一致性过滤，并由人工评分者验证。由于这些参考是代表一种合理笔迹轨迹的伪标签，我们还在提供记录笔迹轨迹的 IAM-OnDB 数据集上评估 VLM。我们将该任务表述为文本条件点定位：给定页面图像和目标词，模型必须定位该词并输出其有序笔画点。输出按轨迹保真度（DTW、Chamfer 距离）、渲染笔画的易读性（准确率、正确率）和风格相似度进行评分。我们使用共享的上下文提示对四个开源和三个前沿闭源 VLM 进行了基准测试。闭源模型，尤其是 Gemini-3.1-Pro，生成了接近参考的清晰可读轨迹，这一排名在 IAM-OnDB 上也成立。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.38720 [cs.CV] |
| （或 arXiv:2610.38720v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38720 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sidra Hanif [查看电子邮件]
[v1]
2026年10月28日星期三 19:16:05 UTC（9,248 KB）
来源：arXiv cs.AI · arxiv.org