VDE Bench：评估图像编辑模型修改视觉文档的能力
VDE Bench: Evaluating The Capability of Image Editing Models to Modify Visual Documents
VDE Bench 是一个面向中英文文档图像指令编辑的评测基准，包含 3,506 个样本，其中文本区域编辑 1,578 个、表格区域编辑 1,928 个。该基准将编辑指令与参考图像配对，并附有标注编辑区域和结构化 OCR 输出，评测协议结合区域级与整页测量，考察文本正确性、结构保真度和视觉内容保持。
作者：Hongzhu Yi、Yujia Yang、Yuanxiang Wang、Tong Li、Zhenyu Guan、Tianyu Zong、Jiahuan Chen、Chenxi Bao、Tiankun Yang、Haopeng Jin、Yixuan Yuan、Xinming Wang、Tao Yu、Ruilin Gao、Ruiwen Tao、Haijin Liang、Jin Ma、Jinwen Luo、Yeshani、Xinyu Zuo、Jungang Xu
摘要：图像编辑模型可以通过自然语言修改视觉内容，但编辑密集文档需要在紧密耦合的文本、表格和版面中进行精确的局部修改。我们提出了 VDE Bench，一个用于研究中英文文档图像指令引导编辑的评估资源。VDE Bench 包含 3,506 个指令引导的图像编辑样本，其中包括 1,578 个文本区域编辑和 1,928 个表格区域编辑。该基准将编辑指令和参考图像与标注的编辑区域及结构化 OCR 输出配对。其评估协议结合区域级和整页测量，以评估文本正确性、结构保真度和视觉内容保持度。通过关注局部编辑与其周围文档上下文之间的交互，VDE Bench 补充了现有的视觉文本编辑基准，并为诊断文档特定的编辑失败提供了资源。
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI)；多媒体 (cs.MM) |
| 引用为： | arXiv:2602.00122 [cs.CV] |
| （或使用 arXiv:2602.00122v4 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2602.00122 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhenyu Guan [查看电子邮件]
[v1]
2026年1月27日星期二 16:51:05 UTC (36,024 KB)
[v2]
2026年5月21日星期四 07:55:15 UTC (30,997 KB)
[v3]
2026年6月11日星期四 07:53:49 UTC (30,997 KB)
[v4]
2026年10月15日星期四 12:17:21 UTC (32,986 KB)
来源：arXiv cs.AI · arxiv.org