論文の概要: Benchmarking and Enhancing Text-to-Image Models for Generating Visual Representations in Early Arithmetic Education

• arxiv url: http://arxiv.org/abs/2605.31212v1
• Date: Fri, 29 May 2026 12:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.59298
• Title: Benchmarking and Enhancing Text-to-Image Models for Generating Visual Representations in Early Arithmetic Education
• Title（参考訳）: 初期算数教育における視覚表現生成のためのテキスト・ツー・イメージモデルのベンチマークと強化
• Abstract要約: 本稿では,算術方程式から有意義な視覚を生成するタスクである方程式対視覚生成について紹介する。 E2V-Benchは、4つの台座を持つ視覚的タイプにまたがるベンチマークであり、視覚的正当性を評価するための自動指標である。 評価の結果,最近のテキスト・トゥ・イメージ(T2I)モデルでは誤りが頻繁に発生し,誤りは不正確なオブジェクト数と破壊的リレーショナル構造に支配されることがわかった。
• 参考スコア（独自算出の注目度）: 57.241885377686486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI systems are increasingly used to support educational content creation, yet it remains unclear whether they can generate outputs that faithfully represent the pedagogical concepts they are intended to teach. Thus, we introduce equation-to-visual generation, a task that, in contrast to conventional image generation, requires producing pedagogically meaningful visuals from arithmetic equations while precisely preserving their numerical and relational structure. Informed by interviews with teachers and an analysis of educational materials, we construct E2V-Bench, a benchmark spanning four pedagogically grounded visual types, along with automatic metrics for evaluating visual correctness. Our evaluation reveals that recent text-to-image (T2I) models frequently fail on this task, with errors dominated by incorrect object counts and broken relational structure. Building on this, we explore benchmark-guided enhancement strategies. These strategies improve representative models, while the remaining gap calls for stronger numerical and relational grounding in future T2I models.
• Abstract（参考訳）: AIシステムは、教育コンテンツ作成をサポートするためにますます使われているが、彼らが教えようとしている教育的概念を忠実に表現するアウトプットを生成できるかどうかは不明だ。 そこで我々は,従来の画像生成とは対照的に,数値構造と関係構造を正確に保存しつつ,算術方程式から教育学的に意味のある視覚情報を生成するタスクである,方程式対視覚生成を導入する。 E2V-Benchは,教師へのインタビューや教育資料の分析によって,視覚的正当性を評価するための自動指標とともに,4つの基礎的な視覚的タイプにまたがるベンチマークである。 評価の結果,最近のテキスト・トゥ・イメージ(T2I)モデルでは誤りが頻繁に発生し,誤りは不正確なオブジェクト数と破壊的リレーショナル構造に支配されることがわかった。 これに基づいて、ベンチマークガイダンスの強化戦略について検討する。 これらの戦略は代表モデルを改善する一方、残りのギャップは将来のT2Iモデルにおいてより強い数値とリレーショナルグラウンドを要求する。

関連論文リスト

• DynEval: Holistic Evaluations of T2I Generative Models in the Wild [6.430113734582911]
  我々は,テキストと画像のアライメントとT2Iモデルの画質を評価するために設計された動的評価フレームワークDynEvalを紹介する。 人間の注釈付きデータ以外のスケーラブルなトレーニングをサポートするため、我々は2つの大きなデータセットを構築した。
  論文  参考訳（メタデータ） (2026-07-13T07:50:54Z)
• Are Text-to-Image Models Inductivist Turkeys? A Counterfactual Benchmark for Causal Reasoning [39.26120643494408]
  実世界の先行を体系的に矛盾させるルールの下で,テキスト・ツー・イメージ・モデルが画像を生成することができるかどうかを検討する。 CF-Worldは、各シナリオを3つのプログレッシブなレベルにまとめる: 通常の世界の知識の下での事実生成、直接的な視覚的指示を伴う明示的な反事実生成、そして変化した規則から因果的推論を必要とする暗黙的な反事実生成である。
  論文  参考訳（メタデータ） (2026-06-23T13:15:07Z)
• Faithful, Enriched, and Precise: Benchmarking Natural-Science Illustration Generation by T2I models [49.93401412148884]
  FEPBenchは、慎重に選択された高品質な科学イラストから構築されたベンチマークである。 我々は,T2Iモデルについて,命令忠実度,推論エンリッチメント,意味的精度の3つの次元に沿って評価する。 その結果、GPT Image 2やNano Banana Proのような最先端のクローズドソースモデルでさえ、テキストレンダリングのボトルネック、推論のリッチ化の制限、生成のリッチネスと精度のバランスの難しさに悩まされていることがわかった。
  論文  参考訳（メタデータ） (2026-06-04T09:49:02Z)
• AcT2I: Evaluating and Improving Action Depiction in Text-to-Image Models [58.85362281293525]
  本稿では、アクション中心のプロンプトから画像を生成する際のT2Iモデルの性能を評価するためのベンチマークであるAcT2Iを紹介する。 我々は、先行するT2IモデルがAcT2Iにうまく対応していないことを実験的に検証した。 我々は,この制限に対処するために,大規模言語モデルを用いた訓練不要の知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2025-09-19T16:41:39Z)
• Structure-aware Contrastive Learning for Diagram Understanding of Multimodal Models [0.609170287691728]
  本稿では,視覚言語モデルにおける図形画像の理解を高めるための新しい訓練パラダイムを提案する。 本手法により, より構造化され, セマンティックに整合した図形内容の理解が構築できる。
  論文  参考訳（メタデータ） (2025-09-02T05:02:23Z)
• Generating Pedagogically Meaningful Visuals for Math Word Problems: A New Benchmark and Analysis of Text-to-Image Models [40.80541801381895]
  テキスト記述から教育的に意味のある視覚を生成するためのフレームワークであるMath2Visualを提案する。 我々は1,903個のビジュアルの注釈付きデータセットを構築し、テキスト・ツー・イメージ(TTI)モデルを評価する。
  論文  参考訳（メタデータ） (2025-06-04T09:08:11Z)
• RePrompt: Reasoning-Augmented Reprompting for Text-to-Image Generation via Reinforcement Learning [88.14234949860105]
  RePromptは、強化学習による迅速な強化プロセスに明示的な推論を導入する、新しいリプロンプトフレームワークである。 提案手法は,人手による注釈付きデータなしでエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-05-23T06:44:26Z)
• GoT-R1: Unleashing Reasoning Capability of MLLM for Visual Generation with Reinforcement Learning [47.592351387052545]
  GoT-R1は、視覚生成における意味空間推論を強化するために強化学習を適用するフレームワークである。 本稿では,MLLMを用いた2段階多次元報酬フレームワークを提案する。 実験の結果, T2I-CompBenchベンチマークで有意な改善が認められた。
  論文  参考訳（メタデータ） (2025-05-22T17:59:58Z)
• Image Regeneration: Evaluating Text-to-Image Model via Generating Identical Image with Multimodal Large Language Models [54.052963634384945]
  画像再生タスクを導入し,テキスト・ツー・イメージ・モデルの評価を行う。 我々はGPT4Vを用いて参照画像とT2Iモデルのテキスト入力のギャップを埋める。 また、生成した画像の品質を高めるために、ImageRepainterフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T13:52:43Z)
• KITTEN: A Knowledge-Intensive Evaluation of Image Generation on Visual Entities [93.74881034001312]
  KITTENはKnowledge-InTensiveイメージジェネラティオンのベンチマークである。 我々は最新のテキスト・画像モデルと検索強化モデルについて体系的な研究を行う。 分析によると、高度なテキスト・ツー・イメージモデルでさえ、エンティティの正確な視覚的詳細を生成できない。
  論文  参考訳（メタデータ） (2024-10-15T17:50:37Z)
• Visual Programming for Text-to-Image Generation and Evaluation [73.12069620086311]
  テキスト・トゥ・イメージ(T2I)生成と評価のための2つの新しい解釈可能・説明可能なビジュアル・プログラミング・フレームワークを提案する。 まず,T2I生成をオブジェクト/カウント生成,レイアウト生成,画像生成という3つのステップに分解する,解釈可能なステップバイステップT2I生成フレームワークであるVPGenを紹介する。 第2に、視覚プログラミングに基づくT2I生成のための解釈可能かつ説明可能な評価フレームワークであるVPEvalを紹介する。
  論文  参考訳（メタデータ） (2023-05-24T16:42:17Z)

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。