論文の概要: InfoEdit: Probing Global Layout Reasoning in Infographic Editing

• arxiv url: http://arxiv.org/abs/2609.33286v1
• Date: Sun, 27 Sep 2026 06:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:26:05.275553
• Title: InfoEdit: Probing Global Layout Reasoning in Infographic Editing
• Title（参考訳）: InfoEdit: インフォグラフィック編集におけるグローバルレイアウト推論の提案
• Abstract要約: 本研究では,8つの論理関連ファミリーを対象とした1000のインフォグラフィックのベンチマークと,4つの編集タスク間で4,000の編集命令との組み合わせ,およびリフロー対応評価プロトコルを提案する。 8つのフロンティアエディタにまたがって、GPT-Image-2だけが平均成功率の60%をクリアしている。
• 参考スコア（独自算出の注目度）: 43.87265802094411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal foundation models edit natural photographs at production quality, yet the same models struggle with structured visual content such as infographics. Unlike photographs, infographics encode information through logical relations; editing one element often requires surrounding elements to be adapted. We refer to this global layout reasoning capability as reflow. Existing image-editing benchmarks neither provide a dedicated setting for structured visual content nor evaluate the reflow capability. We introduce InfoEdit, a novel benchmark of 1,000 infographics across eight logical-relation families, paired with 4,000 editing instructions across four editing tasks, and a reflow-aware evaluation protocol. Across eight frontier editors, only GPT-Image-2 clears 60% average success rate; most models fall below 7%, and no editor exceeds 36% on the Swap-Block task even with perfect target localization. We further show that code-level editing can match the strongest pixel-level editor, revealing complementary strengths across tasks. InfoEdit identifies reflow as a central challenge in structured visual content editing and provides a diagnostic benchmark to facilitate future progress.
• Abstract（参考訳）: マルチモーダルファウンデーションモデルは生産品質で自然写真を編集するが、同じモデルはインフォグラフィックのような構造化されたビジュアルコンテンツと競合する。 写真とは異なり、インフォグラフィックは論理的関係を通じて情報をエンコードする。 このグローバルなレイアウト推論機能をreflowと呼びます。 既存の画像編集ベンチマークでは、構造化されたビジュアルコンテンツのための専用設定も、リフロー機能の評価も提供されていない。 InfoEditは、8つの論理関連ファミリーにまたがる1000のインフォグラフィックのベンチマークで、4つの編集タスクに4000の編集命令をペアリングし、リフロー対応評価プロトコルを導入する。 8つのフロンティアエディタにまたがって、GPT-Image-2だけが平均成功率の60%をクリアしている。ほとんどのモデルが7%以下で、完全なターゲットローカライゼーションであってもSwap-Blockタスクで36%を超えるエディタは存在しない。 さらに、コードレベルの編集は最強のピクセルレベルのエディタと一致し、タスク間の相補的な強みを明らかにする。 InfoEditは、構造化されたビジュアルコンテンツ編集における中心的な課題としてreflowを特定し、将来の進歩を促進するための診断ベンチマークを提供する。

関連論文リスト

• Edit2TikZ: A Comprehensive and Challenging Benchmark for Scientific Figure Editing with TikZ [18.407009909616598]
  本稿では,科学的フィギュア編集タスクの総合的なベンチマークであるEdit2TikZを紹介する。 14のメインストリームMLLMを評価し,現在のシステムは信頼性が低いことを確認した。 我々は、TikZEditMixの混合学習セットを構築し、コンパクトモデルのための再構築編集カリキュラム学習を採用する。
  論文  参考訳（メタデータ） (2026-08-13T16:27:18Z)
• 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)
• EditVerse: Unifying Image and Video Editing and Generation with In-Context Learning [58.53074381801114]
  イメージとビデオの生成と編集を単一のモデルで統合したフレームワークであるEditVerseを紹介する。 テキスト、画像、ビデオなどのすべてのモダリティを統一されたトークンシーケンスとして表現することで、EditVerseは、堅牢なインコンテキスト学習を実現するために自己アテンションを活用する。 多様なタスクや解像度をカバーする命令ベースのビデオ編集のための最初のベンチマークであるEditVerseBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T17:59:30Z)
• AnyEdit: Mastering Unified High-Quality Image Editing for Any Idea [88.79769371584491]
  我々は、総合的なマルチモーダル命令編集データセットであるAnyEditを提示する。 我々は,AnyEditコレクションの多様性と品質を,初期データ多様性,適応編集プロセス,自動編集結果の選択という3つの側面を通じて保証する。 3つのベンチマークデータセットの実験によると、AnyEditは拡散ベースの編集モデルのパフォーマンスを一貫して向上させる。
  論文  参考訳（メタデータ） (2024-11-24T07:02:56Z)

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。