論文の概要: VisEditBench: Can Vision-Language Models Edit Visualization Code from Multimodal Feedback?
- arxiv url: http://arxiv.org/abs/2608.10408v1
- Date: Tue, 11 Aug 2026 02:52:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.875086
- Title: VisEditBench: Can Vision-Language Models Edit Visualization Code from Multimodal Feedback?
- Title（参考訳）: VisEditBench: 視覚言語モデルはマルチモーダルフィードバックから視覚化コードを編集できるか?
- Abstract要約: 視覚言語モデル(VLM)は、テキストやビジュアル仕様から視覚化コードを生成する強力な能力を示している。
VisEditBenchは、1,395のビジュアライゼーションコード編集タスクのベンチマークで、現実的なビジュアライゼーションと障害ケースに基づいています。
提案するVisEditAgentは,候補編集を反復的に生成し,実行し,検証し,精査するレンダリンググラウンド編集フレームワークである。
- 参考スコア（独自算出の注目度）: 38.312088076416224
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language models (VLMs) have shown strong capabilities in generating visualization code from textual or visual specifications. However, real-world visualization authoring is inherently iterative: users frequently revise existing visualizations to repair flawed charts or adapt them to desired styles. Existing benchmarks primarily evaluate generation from scratch, leaving visualization code editing from multimodal feedback largely unexplored. We introduce VisEditBench, a benchmark of 1,395 human-annotated visualization code-editing tasks grounded in realistic visualization workflows and failure cases. VisEditBench covers two practical settings: feedback-guided repair, where models revise visualization code using buggy or marked charts together with textual feedback, and reference-guided restyling, where models modify code to match a target chart image. Evaluating 20 state-of-the-art VLMs reveals that visualization code editing remains challenging: Claude-4.6-Sonnet achieves the best overall pass rate of 74.46%, while most open-source models remain below 50%. Performance is particularly weak on visually grounded style adaptation, where Claude-4.6-Sonnet achieves only 55.71%. To establish a strong baseline, we further propose VisEditAgent, a render-grounded editing framework that iteratively generates, executes, validates, and refines candidate edits. Built on GPT-4o, VisEditAgent improves overall pass rate from 55.75% to 67.99%, demonstrating the importance of render-grounded feedback for faithful visualization editing. We will release VisEditBench at https://github.com/vis-nlp/VisEditBench.
- Abstract（参考訳）: 視覚言語モデル(VLM)は、テキストやビジュアル仕様から視覚化コードを生成する強力な能力を示している。
しかし、現実の視覚化のオーサリングは本質的に反復的であり、ユーザーは既存の視覚化を頻繁に修正して、欠陥のあるチャートを修復したり、望ましいスタイルに適応したりする。
既存のベンチマークは主にスクラッチから生成を評価し、視覚化コードの編集はマルチモーダルフィードバックからほとんど探索されていない。
VisEditBenchは,現実的な視覚化ワークフローと障害ケースをベースとした,1,395人の人手による視覚化コード編集タスクのベンチマークである。
VisEditBenchは2つの実践的な設定をカバーしている。フィードバック誘導修復(back-guided repair)、バギーやマークチャートを使った視覚化コード修正、テキストフィードバック(textual feedback)、参照誘導修復(reference-guided restyling)である。
クロード-4.6-ソネットは74.46%で、ほとんどのオープンソースモデルは50%以下である。
クロード-4.6-ソネットは55.71%しか達成していない。
強力なベースラインを確立するために、我々はさらに、候補編集を反復的に生成、実行、検証、洗練するレンダリング地上編集フレームワークVisEditAgentを提案する。
GPT-4o上に構築されたVisEditAgentは、全体のパスレートを55.75%から67.99%に改善し、忠実な視覚化編集のためのレンダリング地上フィードバックの重要性を示している。
https://github.com/vis-nlp/VisEditBench.comでVisEditBenchをリリースします。
関連論文リスト
- OmniEdit-Bench: A Comprehensive Benchmark for Instruction-based Video Editing [53.21868575804758]
命令ベースのビデオ編集(IVE)のための包括的かつ構造化されたベンチマークを導入する。
本ベンチマークでは,編集タスクを空間,時間,音声,参照ベースの編集など,複数のビデオ特化次元に分解する。
本研究では,4つの相補的な次元(精度,保存性,リアリズム,一貫性)から編集品質を評価する評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T16:58:48Z) - Visual-ERM: Reward Modeling for Visual Equivalence [59.317480168347664]
Visual Equivalence Reward Model (Visual-ERM)は、細粒度、解釈可能、タスクに依存しないフィードバックを提供するマルチモーダル生成報酬モデルである。
Visual-ERM は Qwen3-VL-8B-Instruct を 8.4 で改善し、テーブルとSVGのパースで一貫したゲインを得る。
VisualCritic-RewardBench(VC-RewardBench)は、構造化された視覚データに対して微細な画像と画像の相違を判定するためのベンチマークである。
論文 参考訳（メタデータ） (2026-03-13T17:58:14Z) - ChartEditor: A Reinforcement Learning Framework for Robust Chart Editing [46.847377471580366]
私たちは、31のチャートカテゴリにまたがる7,964のサンプルからなる総合的なベンチマークであるChartEditVistaを紹介します。
ChartEditVistaのインプットには、オリジナルのチャートコードなしで、オリジナルのチャートイメージと自然言語編集命令のみが含まれている。
また、コード実行可能性と視覚的忠実性を同時に実施するために、新しいレンダリング報酬を含む強化学習フレームワークを使用してトレーニングされたモデルであるChartEditorも提示する。
論文 参考訳（メタデータ） (2025-11-19T09:27:37Z) - SpotEdit: Evaluating Visually-Guided Image Editing Methods [3.5066378196008636]
SpotEditは、視覚的に誘導された画像編集方法を評価するために設計された包括的なベンチマークである。
我々のベンチマークには幻覚の専用コンポーネントが含まれており、GPT-4oのような主要なモデルが視覚的キューの存在を幻覚し、誤って編集タスクを実行するかを強調している。
論文 参考訳（メタデータ） (2025-08-25T16:08:57Z) - Visual Autoregressive Modeling for Instruction-Guided Image Editing [97.04821896251681]
画像編集を次世代の予測問題として再編成する視覚的自己回帰フレームワークを提案する。
VarEditは、正確な編集を実現するために、マルチスケールのターゲット機能を生成する。
1.2秒で512times512$編集を完了し、同じサイズのUltraEditよりも2.2$times$高速になった。
論文 参考訳（メタデータ） (2025-08-21T17:59:32Z) - DualEdit: Dual Editing for Knowledge Updating in Vision-Language Models [35.10531856612373]
テキストと視覚の両方を各キー層で修正するエディタであるDualEditを提案する。
複数のVLMバックボーンとベンチマークデータセットにまたがるDualEditを評価する。
論文 参考訳（メタデータ） (2025-06-16T16:04:16Z) - VisCoder: Fine-Tuning LLMs for Executable Python Visualization Code Generation [69.35779796364413]
提案するVisCode-200Kは,Pythonによる可視化と自己補正のための大規模インストラクションチューニングデータセットである。
1)オープンソースリポジトリからの検証済みプロットコードと自然言語命令と描画プロットのペア,(2)Code-Feedbackからの45Kのマルチターン補正ダイアログ。
論文 参考訳（メタデータ） (2025-06-04T13:24:44Z) - LLM Code Customization with Visual Results: A Benchmark on TikZ [6.3303908500560615]
我々は,協調的な視覚的成果を保ちながらコードをカスタマイズする大規模言語モデルの能力を評価する最初のベンチマークであるvTikZを紹介した。
我々のベンチマークは、慎重にキュレートされたvTikZ編集シナリオ、パラメータ化された基底真理、そして視覚フィードバックを利用して正当性を評価するレビューツールから構成されている。
論文 参考訳（メタデータ） (2025-05-07T08:26:54Z) - Envisioning Beyond the Pixels: Benchmarking Reasoning-Informed Visual Editing [84.16442052968615]
RISEBenchはReasoning-Informed ViSual Editing (RISE)の最初のベンチマークである。
RISEBenchは、時間、因果、空間、論理的推論の4つの主要な推論カテゴリに焦点を当てている。
オープンソースモデルとプロプライエタリモデルの両方を含む,9つの目立った視覚編集モデルを評価する実験を行った。
論文 参考訳（メタデータ） (2025-04-03T17:59:56Z) - Attribution Analysis Meets Model Editing: Advancing Knowledge Correction in Vision Language Models with VisEdit [18.71195974474024]
我々は、トークン予測のための視覚表現の寄与を測定するために、コントリビューションアロケーションとノイズ摂動法を用いる。
帰属分析により,このプロンプトに非常に関係のある中後期層における視覚的表現が予測に大きく寄与していることが示唆された。
そこで我々はVisEditを提案する。VisEditはVis-LLMsの新しいモデルエディタで、編集プロンプトに重要な領域の中間的な視覚表現を編集することで知識を効果的に修正する。
論文 参考訳（メタデータ） (2024-08-19T11:44:40Z)
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。