論文の概要: Faithful, Enriched, and Precise: Benchmarking Natural-Science Illustration Generation by T2I models

• arxiv url: http://arxiv.org/abs/2606.05949v2
• Date: Fri, 05 Jun 2026 06:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 12:21:17.573358
• Title: Faithful, Enriched, and Precise: Benchmarking Natural-Science Illustration Generation by T2I models
• Title（参考訳）: 忠実で豊かで高精度:T2Iモデルによる自然科学図面生成のベンチマーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.93401412148884
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Scientific illustrations are essential tools for communicating research findings, especially in natural science, where they visualize complex concepts and processes. As Text-to-Image (T2I) models become increasingly capable, researchers have started to use them for scientific illustration generation. However, existing benchmarks often assess outputs at a holistic level, overlooking fine-grained elements, while scientific reasoning ability and output conciseness remain under-quantified. We introduce FEPBench, a benchmark built from carefully selected high-quality scientific illustrations across multiple disciplines and layout types. With the assistance of multimodal large language models (MLLMs) and human experts, we provide fine-grained atom set annotations and systematically evaluate T2I models along three dimensions: instruction faithfulness, reasoning enrichment, and semantic precision. Our evaluation further decomposes model performance across visual, textual, relation, and layout elements. Results show that even state-of-the-art (SOTA) closed-source models, such as GPT Image 2 and Nano Banana Pro, still suffer from text-rendering bottlenecks, limited reasoning enrichment, and difficulty balancing generation richness with precision. These findings provide practical guidance for improving and deploying T2I models in scientific illustration generation. Benchmark data, atom set annotations, and evaluation code will be released by us.
• Abstract（参考訳）: 科学的イラストは、複雑な概念や過程を視覚化する、特に自然科学における研究成果を伝えるための重要なツールである。 テキスト・トゥ・イメージ(T2I)モデルがますます有能になるにつれて、研究者たちはそれを科学的なイラスト生成に利用し始めた。 しかしながら、既存のベンチマークでは、科学的推論能力と出力の簡潔さが未定のままであるのに対して、細かな要素を見渡すことによって、アウトプットを全体論的なレベルで評価することが多い。 FEPBenchは、複数の分野やレイアウトタイプにまたがる、慎重に選択された高品質な科学的イラストから構築されたベンチマークである。 マルチモーダルな大言語モデル(MLLM)と人間の専門家の助けを借りて、微粒な原子集合アノテーションを提供し、T2Iモデルを3次元に沿って体系的に評価する。 我々の評価は、視覚、テキスト、関係、レイアウト要素間でのモデル性能をさらに分解する。 その結果、GPT Image 2やNano Banana Proのような最先端(SOTA)クローズ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、推論の充実の制限、生成リッチネスと精度のバランスをとるのが困難であることがわかった。 これらの知見は, 科学的図形生成におけるT2Iモデルの改良と展開の実践的ガイダンスを提供する。 ベンチマークデータ、アトムセットアノテーション、評価コードは、私たちによってリリースされます。

関連論文リスト

• From Terminology to Diagrams: Visual-Instruction Generation for Scientific Diagram Understanding [0.0]
  視覚言語モデル(VLM)は,自然画像を用いた視覚的質問応答において高い性能を示した。 本稿では,学術カリキュラムから派生した用語を活用することで,大規模図表基底命令データを生成するフレームワークを提案する。 SciGramは、194K以上の図と1.4Mの視覚的指示のデータセットで、生命、地球、物理科学を横断する。
  論文  参考訳（メタデータ） (2026-09-01T09:07:31Z)
• Benchmarking and Enhancing Text-to-Image Models for Generating Visual Representations in Early Arithmetic Education [57.241885377686486]
  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。
  論文  参考訳（メタデータ） (2026-05-29T12:18:08Z)
• Scientific Graphics Program Synthesis via Dual Self-Consistency Reinforcement Learning [36.86798995699176]
  我々は,我々のExecution-Centric Data Engineの大規模かつ高品質なデータセットであるSciTikZ-230Kを特徴とするクローズドループフレームワークを提案する。 訓練されたSciTikZer-8Bは最先端のパフォーマンスを実現し、Gemini-2.5-ProやQwen3-VL-235B-A22B-Instructのような巨大なモデルなど、プロプライエタリな巨人を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-07T16:58:14Z)
• Scientific Image Synthesis: Benchmarking, Methodologies, and Downstream Utility [57.83550091882176]
  生成パラダイム,評価,下流利用における科学的画像合成について検討する。 本稿では,情報の有用性と論理的妥当性に基づいて生成した画像を評価するSciGenBenchを紹介する。 厳密に検証された合成科学画像上の微調整された大規模マルチモーダルモデルにより、一貫した推論ゲインが得られることを示す。
  論文  参考訳（メタデータ） (2026-01-17T14:18:36Z)
• 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)
• SridBench: Benchmark of Scientific Research Illustration Drawing of Image Generation Model [21.81341169834812]
  SridBenchは、科学フィギュア生成のための最初のベンチマークである。 これは13の自然科学とコンピュータ科学の分野にわたる主要な科学論文から1,120の事例で構成されている。 その結果、GPT-4o画像のような最上位モデルでさえ、人間のパフォーマンスに遅れがあることが判明した。
  論文  参考訳（メタデータ） (2025-05-28T08:51:01Z)
• PhyBench: A Physical Commonsense Benchmark for Evaluating Text-to-Image Models [50.33699462106502]
  テキスト・トゥ・イメージ(T2I)モデルは、物理コモンセンスと整合した画像を生成するのにしばしば失敗する。 現在のT2I評価ベンチマークは、精度、バイアス、安全性などの指標に焦点を当て、モデルの内部知識の評価を無視している。 メカニクス,光学,熱力学,材料特性の4つのカテゴリに700のプロンプトを含む総合的なT2I評価データセットであるPhyBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T17:49:01Z)
• Benchmarking Spatial Relationships in Text-to-Image Generation [102.62422723894232]
  本研究では,オブジェクト間の空間的関係を正確に生成するテキスト・ツー・イメージモデルについて検討する。 画像中にテキストで記述された空間関係がどれだけ正確に生成されるかを測定する評価指標であるVISORを提案する。 我々の実験では、最先端のT2Iモデルは高画質であるが、複数のオブジェクトを生成できる能力や、それらの間の空間的関係が著しく制限されていることが判明した。
  論文  参考訳（メタデータ） (2022-12-20T06:03:51Z)

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。