論文の概要: SciDiagramEdit: Learning to Edit Scientific Diagrams from Paper Revisions
- arxiv url: http://arxiv.org/abs/2607.15272v1
- Date: Thu, 16 Jul 2026 17:58:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.205548
- Title: SciDiagramEdit: Learning to Edit Scientific Diagrams from Paper Revisions
- Title（参考訳）: SciDiagramEdit: 論文から科学的ダイアグラムを編集する学習
- Abstract要約: SciDiagramEditは、自然論文の改訂から学習する、ベンチマークおよびスキル進化フレームワークである。
エージェント提案者は、複数のエポック上の実行トレースからエージェントのスキル仕様を継続的に洗練する。
得られたスキルは、保持された検証セットの編集精度を段階的に引き上げる。
- 参考スコア（独自算出の注目度）: 66.46898035008782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Editing the figures in a research paper is a routine and time-consuming part of everyday research practice: authors relabel components, rearrange panels, and restyle visuals as they revise their manuscripts. Automating this editing workflow under a natural-language instruction, however, is challenging, because a scientific figure is a dense infographic in which heterogeneous visual elements such as schematics, plots, photos, captions, and arrows are composed under a tight visual grammar to advance a specific argument. To address this, we present SciDiagramEdit, a benchmark and skill-evolution framework that learns from natural paper revisions and operates on the figure's editable vector source, where users can inspect and co-edit individual primitives alongside the agent. Our benchmark mines before/after figure pairs from arXiv version histories, each grounded in the authors' own revision intent. To accommodate the diversity of editing instructions, we adopt agentic learning via skill evolution: an agentic proposer continually refines the agent's skill specification from execution traces over multiple epochs. The resulting skill progressively lifts edit accuracy on a held-out validation set, providing evidence that natural paper revisions are an effective training signal for instruction-driven figure editing.
- Abstract（参考訳）: 研究論文の図形を編集することは日常的な研究の日常的な部分であり、著者が原稿を改訂するときに、レザベルコンポーネント、並べ替えパネル、リスタイルヴィジュアライズを行う。
科学的な図形は、スキーマ、プロット、写真、キャプション、矢印などの異質な視覚要素が、特定の議論を進めるために厳密な視覚文法の下で構成される密集したインフォグラフィックである。
そこで本稿では,自然論文の改訂から学習し,図の編集可能なベクトルソース上で操作する,ベンチマークおよびスキル進化フレームワークであるSciDiagramEditを紹介する。
私たちのベンチマークでは、arXivバージョン履歴のフィギュアペアを前後にマイニングし、それぞれが著者自身のリビジョンの意図に基づいています。
エージェントプロジェクタは,複数のエポック上の実行トレースからエージェントのスキル仕様を継続的に洗練する。
得られたスキルは、保持された検証セットの編集精度を段階的に引き上げ、自然な紙改訂が命令駆動図形編集の効果的な訓練信号であることを示す。
関連論文リスト
- GenGA: Editable and Data-Grounded Graphical Abstract Generation for Academic Papers [2.593510481959727]
我々はベクトル形式でフィギュアを直接生成する新しい世代フレームワークGenGAを提案する。
階層構造を持つベクトル要素の集合として図を生成することで、GenGAは既存の描画ツールにシームレスにインポート可能な出力を生成する。
実験の結果,GenGAは他の方法に比べて編集の単純さが優れており,簡潔さやセマンティックアライメントにおいて人為的なGAを超えていることがわかった。
論文 参考訳（メタデータ） (2026-08-05T23:53:02Z) - SAGE: Structured Agentic Graph Editing for Software Diagrams [5.927477764911397]
本稿では,Draw.ioとMermaidスタイルのエンジニアリングダイアグラムを即時編集するブラウザベースのツールであるSAGEを紹介する。
このツールはダイアグラムを編集可能なグラフ表現にマッピングし、これらの意図をグラフ指向の操作ステップに分析し、一般的なDraw.io XMLの問題を検証し、修復し、成功した結果を復元可能なバージョン付きアーティファクトとして保存する。
論文 参考訳（メタデータ） (2026-07-01T15:55:09Z) - WeEdit: A Dataset, Benchmark and Glyph-Guided Framework for Text-centric Image Editing [103.68419705566146]
WeEditは、スケーラブルなデータ構築パイプラインと2つのベンチマーク、2段階のトレーニング戦略を含む、システマティックなソリューションである。
具体的には、多様な編集操作と15言語をカバーする330Kのトレーニングペアを生成するHTMLベースの新しい自動編集パイプラインを提案する。
アルゴリズム面では、グリフ誘導による微調整を用いて、空間的および内容的事前の明示を注入し、次いで、命令の順守、テキストの明瞭さ、背景の保存と、生成を整合させる多目的強化学習ステージを用いる。
論文 参考訳（メタデータ） (2026-03-12T06:25:09Z) - CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。
我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。
以上の結果から,認知中心型画像編集の可能性が示唆された。
論文 参考訳（メタデータ） (2026-01-31T12:20:46Z) - Charts Are Not Images: On the Challenges of Scientific Chart Editing [66.38730113476677]
textitFigEditは、3万以上のサンプルからなる科学的フィギュア編集のベンチマークである。
私たちのベンチマークでは、ピクセルレベルの操作の重大な制限が示されています。
textitFigEdit をリリースすることにより,構造対応図形編集の体系的な進歩の実現を目指す。
論文 参考訳（メタデータ） (2025-11-30T06:13:48Z) - Beyond Editing Pairs: Fine-Grained Instructional Image Editing via Multi-Scale Learnable Regions [20.617718631292696]
我々は、広く利用可能な膨大なテキストイメージ対を利用する命令駆動画像編集のための新しいパラダイムを開発する。
本手法では,編集プロセスのローカライズとガイドを行うために,マルチスケールの学習可能な領域を導入する。
画像とそのテキスト記述のアライメントを監督・学習として扱い,タスク固有の編集領域を生成することにより,高忠実で高精度かつ命令一貫性のある画像編集を実現する。
論文 参考訳（メタデータ） (2025-05-25T22:40:59Z) - Improving Iterative Text Revision by Learning Where to Edit from Other
Revision Tasks [11.495407637511878]
反復的テキストリビジョンは文法的誤りの修正、読みやすさの向上や文脈的適切性の向上、文書全体の文構造の再編成によってテキスト品質を改善する。
近年の研究では、人間によるテキストからの反復的な修正プロセスにおいて、様々な種類の編集の理解と分類に焦点が当てられている。
我々は,編集可能なスパンを対応する編集意図で明示的に検出することにより,有用な編集を反復的に生成するエンド・ツー・エンドテキスト・リビジョン・システムの構築を目指している。
論文 参考訳（メタデータ） (2022-12-02T18:10:43Z) - EditEval: An Instruction-Based Benchmark for Text Improvements [73.5918084416016]
編集機能の自動評価のためのインストラクションベース、ベンチマーク、評価スイートであるEditEvalを提示する。
InstructGPTとPEERが最良であることを示す事前学習モデルをいくつか評価するが,ほとんどのベースラインは教師付きSOTA以下である。
我々の分析は、タスクの編集によく使われるメトリクスが必ずしも相関しているとは限らないことを示し、最高の性能を持つプロンプトに対する最適化は、必ずしも異なるモデルに対して強い堅牢性を持つとは限らないことを示唆している。
論文 参考訳（メタデータ） (2022-09-27T12:26:05Z) - Understanding Iterative Revision from Human-Written Text [10.714872525208385]
IteraTeRは、反復的に修正されたテキストの最初の大規模、複数ドメイン、編集意図の注釈付きコーパスである。
テキストのリビジョンプロセスをよりよく理解し、編集意図と執筆品質の間に重要なつながりを築き上げます。
論文 参考訳（メタデータ） (2022-03-08T01:47:42Z) - Learning Structural Edits via Incremental Tree Transformations [102.64394890816178]
構造化データのインクリメンタルな編集(すなわち「構造的編集」)のための汎用モデルを提案する。
我々の編集者は、反復的にツリー編集(例えば、サブツリーの削除や追加)を生成し、部分的に編集されたデータに適用することを学びます。
提案したエディタを2つのソースコード編集データセットで評価した結果,提案する編集エンコーダでは,従来よりも精度が向上していることがわかった。
論文 参考訳（メタデータ） (2021-01-28T16:11:32Z)
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。