論文の概要: EdgeFlow: Edge-Map Augmented VLM-Based Flowchart Processing for Industrial Requirements Engineering

• arxiv url: http://arxiv.org/abs/2605.27332v1
• Date: Tue, 26 May 2026 17:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.571216
• Title: EdgeFlow: Edge-Map Augmented VLM-Based Flowchart Processing for Industrial Requirements Engineering
• Title（参考訳）: EdgeFlow: 産業要求エンジニアリングのためのエッジマップ拡張VLMベースのフローチャート処理
• Authors: Zhifei Dou, Shabnam Hassani, Ou Wei,
• Abstract要約: フローチャートは工業的要件で広く使用されているが、通常は静的なイメージとして組み込まれている。 本稿では,VLMの元々の入力を決定論的に抽出したCannyエッジマップで拡張し,フローチャートから機械への変換を改善するEdgeFlowを提案する。 市販のVLMと比較して、EdgeFlowはノードレベルのF1を17.39ポイント、エッジレベルのF1を16.94ポイント改善している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flowcharts are widely used in industrial requirements, but usually remain embedded as static images. Vision Language Models (VLMs) show promise in the conversion of these flowcharts into machine-readable models for RE activities, yet, when directly applied to flowchart conversion, they often fail on topology-critical visual details. To address this, we propose EdgeFlow that augments a VLM's original input with a deterministically extracted Canny edge map-acting as a structural prior-to improve flowchart-to-Mermaid conversion, without requiring annotated training data or domain-specific model fine-tuning. We evaluate EdgeFlow on IndusReqFlow, a dataset sourced from real-world requirements. Compared with off-the-shelf VLMs, EdgeFlow improves node-level F1 by 17.39 percentage points and edge-level F1 by 16.94 percentage points. At the path level, EdgeFlow improves path F1 by 11.06 percentage points, enabling better support for model-based testing. These results demonstrate that EdgeFlow provides a practical, training-free means to improve topology-preserving flowchart-to-Mermaid conversion for industrial RE. Cross-dataset evaluation results on a public synthetic benchmark show no significant improvement; this highlights the need for diverse benchmarks incorporating industrial data for the comprehensive evaluation of future VLM-based RE tools.
• Abstract（参考訳）: フローチャートは工業的要件で広く使用されているが、通常は静的なイメージとして組み込まれている。 視覚言語モデル(VLM)は、これらのフローチャートをREアクティビティの機械可読モデルに変換することを約束しているが、フローチャート変換に直接適用すると、トポロジに批判的な視覚的詳細で失敗することが多い。 そこで本研究では,VLM のオリジナル入力を決定論的に抽出した Canny edge map-acting で拡張し,注釈付きトレーニングデータやドメイン固有モデルの微調整を必要とせずに,フローチャートから機械への変換を改善する EdgeFlow を提案する。 実世界の要求から得られたデータセットであるIndusReqFlow上でEdgeFlowを評価する。 市販のVLMと比較して、EdgeFlowはノードレベルのF1を17.39ポイント、エッジレベルのF1を16.94ポイント改善している。 パスレベルでは、EdgeFlowはパスF1を11.06ポイント改善し、モデルベースのテストのサポートを改善した。 これらの結果から,EdgeFlowは,産業用REのためのトポロジ保存フローチャート・ツー・メディカル変換を改善するための,実用的な,トレーニング不要な手段を提供することが示された。 このことは,将来的なVLMベースのREツールの総合的な評価のために,産業データを組み込んだ多種多様なベンチマークの必要性を浮き彫りにしたものである。

関連論文リスト

• AlphaFlow: Understanding and Improving MeanFlow Models [74.64465762009475]
  その結果,MeanFlowの目的は,トラジェクティブフローマッチングとトラジェクトリ一貫性という2つの部分に分けられることがわかった。 これらの知見に触発されて、軌跡フローマッチング、ショートカットモデル、MeanFlowを統一する目的の広いファミリーである$alpha$-Flowを紹介した。 クラス条件のImageNet-1K 256x256をバニラのDiTバックボーンでスクラッチからトレーニングすると、$alpha$-Flowはスケールと設定でMeanFlowを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-23T17:45:06Z)
• TabResFlow: A Normalizing Spline Flow Model for Probabilistic Univariate Tabular Regression [10.521468881948008]
  単変量表回帰に特化して設計された正規化スプラインフローモデルであるTabResFlowを紹介する。 我々は、9つの公開ベンチマークデータセット上でTabResFlowを評価し、確率スコアの既存の確率回帰モデルを一貫して上回っていることを示した。 また,現実の自動車価格予測タスクにおけるTabResFlowの実用性についても,選択的回帰の下で検証した。
  論文  参考訳（メタデータ） (2025-08-23T15:09:02Z)
• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• FlowLearn: Evaluating Large Vision-Language Models on Flowchart Understanding [52.35520385083425]
  FlowLearnデータセットは、フローチャートの理解を強化するために設計されたリソースである。 科学的サブセットは、科学文献から得られた3,858のフローチャートを含んでいる。 シミュレーションされたサブセットには、カスタマイズ可能なスクリプトを使用して作成された10,000のフローチャートが含まれている。
  論文  参考訳（メタデータ） (2024-07-06T20:58:51Z)
• SSFlowNet: Semi-supervised Scene Flow Estimation On Point Clouds With Pseudo Label [10.115392939867244]
  本稿では,シーンフロー推定のための半教師付きアプローチであるSSFlowNetを紹介する。 ラベル付きデータとラベルなしデータの混合を利用し、ラベル付けコストとモデルトレーニングの精度のバランスを最適化する。
  論文  参考訳（メタデータ） (2023-12-23T14:43:52Z)
• Rethinking Optical Flow from Geometric Matching Consistent Perspective [38.014569953980754]
  本稿では,従来の光流量推定法について再考する。 我々は,より優れた特徴表現を持つ光フロー推定(MatchFlow)のための事前学習タスクとして,GIMを使用している。 Sintel クリーンパスと KITTI テストセットの GMA から 11.5% と 10.1% の誤差削減を実現した。
  論文  参考訳（メタデータ） (2023-03-15T06:00:38Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• AutoFlow: Learning a Better Training Set for Optical Flow [62.40293188964933]
  AutoFlowは、光学フローのトレーニングデータをレンダリングする手法である。 AutoFlowはPWC-NetとRAFTの両方の事前トレーニングにおいて最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-04-29T17:55:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。