論文の概要: ChartDensity-Bench: Benchmarking MLLMs for Numerical Data Reconstruction under Visual Density

• arxiv url: http://arxiv.org/abs/2609.38781v1
• Date: Wed, 30 Sep 2026 02:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.016318
• Title: ChartDensity-Bench: Benchmarking MLLMs for Numerical Data Reconstruction under Visual Density
• Title（参考訳）: ChartDensity-Bench:ビジュアル密度に基づく数値データ再構成のためのMLLMのベンチマーク
• Abstract要約: MLLM(Multimodal large language model)は、科学的チャートから数値データを復元するための有望なアプローチを提供する。 既存のチャート理解ベンチマークでは、質問応答やチャートレベルの推論が評価されている。 textbfChartDensity-Benchは,複合チャート図からの構造化数値データ再構成におけるMLLMの評価ベンチマークである。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal large language models (MLLMs) offer a promising approach for recovering numerical data from scientific charts, but their ability to reconstruct chart data from visually dense figures remains poorly understood. Existing chart understanding benchmarks primarily evaluate question answering or chart-level reasoning and provide limited support for evaluating structured numerical reconstruction from scientific figures. We introduce \textbf{ChartDensity-Bench}, a benchmark for evaluating MLLMs on structured numerical data reconstruction from compound chart figures under controlled visual density. Built from charts paired with source-level ground-truth data, ChartDensity-Bench systematically varies the number of simultaneously presented charts ($k\in{1,3,6,9}$), enabling controlled evaluation of density-induced degradation. We further propose a multi-dimensional evaluation framework covering structural reliability, reconstruction completeness, parseability, and numerical fidelity. Experiments on five recent MLLMs show that numerical reconstruction generally degrades as visual density increases, while the magnitude of degradation varies substantially across models. Chart-level paired comparisons further show that the same source chart can incur higher reconstruction error when embedded in denser visual contexts. These findings highlight visual density as an important and previously underexplored factor in MLLM chart data reconstruction and provide a systematic benchmark for evaluating model robustness in this setting.
• Abstract（参考訳）: MLLM(Multimodal large language model)は、科学的チャートから数値データを復元するための有望なアプローチを提供するが、視覚的に密度の高い数字からチャートデータを再構成する能力は、まだよく分かっていない。 既存のチャート理解ベンチマークは、主に質問応答やチャートレベルの推論を評価し、科学的数字から構造化された数値再構成を評価するための限定的なサポートを提供する。 そこで本稿では, 複合チャート図からの構造化数値データ再構成におけるMLLMの評価を行うベンチマークである, \textbf{ChartDensity-Bench}を紹介する。 ChartDensity-Benchは、ソースレベルの地層構造データと組み合わせたチャートから構築され、同時に提示されるチャートの数(k\in{1,3,6,9}$)を体系的に変更し、密度による劣化の制御を可能にする。 さらに, 構造信頼性, 復元完全性, 解析可能性, 数値忠実度を考慮した多次元評価フレームワークを提案する。 最近の5つのMLLM実験では、数値的な再構成は一般的に、視覚密度が増加するにつれて劣化するが、分解の規模はモデルによって大きく異なる。 チャートレベルのペア比較は、より密な視覚的コンテキストに埋め込まれた場合、同じソースチャートがより高い再構成誤差を発生させることができることを示している。 これらの結果は,MLLMチャートデータ再構成における重要かつ未探索の要素として視覚密度を強調し,この設定におけるモデルロバスト性を評価するための体系的ベンチマークを提供する。

関連論文リスト

• DEEPCHART: How Far are LLMs from Faithful Data-Science Chart Generation? [54.230123199584305]
  DEEPCHARTは、現実世界の科学論文やファイナンシャルファイリング、エコシステムレポートから1,482のグラフ生成インスタンスのエキスパートによるベンチマークである。 最先端のモデルを用いた実験では、視覚的に可視なチャートは、しばしばデータレベルの幻覚を隠蔽し、リアルな長期およびマルチモーダルな設定で一般的な抽出と推論エラーを隠蔽している。
  論文  参考訳（メタデータ） (2026-08-27T07:53:08Z)
• What You See Is What You Get: Observation-Aligned Supervision for Chart-to-Code Generation [50.62320148925983]
  多くのチャートプログラムは、レンダリングされた画像から一意に回収できない潜在生変数を含む。 本稿では,潜伏する生データターゲットを視覚的観察に制約された量で置き換えるリライトフレームワークであるオブザーバ・アラインド・インフォメーションを導入する。 この結果から,チャート・トゥ・コードモデルの改善には,データや高度な学習目的やアルゴリズムだけでなく,チャート画像から識別可能なものを尊重する監視対象も必要であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-06T06:53:40Z)
• ChartAnchor: Chart Grounding with Structural-Semantic Fidelity [19.798612765001746]
  チャートグラウンド(英: Chart grounding)とは、チャートの視覚的外観と構造的意味論の間の双方向のアライメントを指す。 ChartAnchorは、8k以上のチャートテーブルコードトリプルのベンチマークである。 マルチレベル評価フレームワークは、セマンティックバリデーション、スタイリスティック分析、知覚メトリクスを統合して、構造的およびコンテンツレベルの正確性を評価する。
  論文  参考訳（メタデータ） (2025-11-30T18:28:09Z)
• ChartPoint: Guiding MLLMs with Grounding Reflection for Chart Reasoning [54.86473583610112]
  グラフの連鎖推論に反射的相互作用を統合するPointCoTを提案する。 位置アノテーションに基づいてMLLMにバウンディングボックスと再レンダリングチャートを生成することで、テキスト推論ステップと視覚的接地領域の接続を確立する。 我々は、いくつかのグラフベンチマークにおいて最先端のモデルであるChartPointQ2とChartPointQ2.5を開発した。
  論文  参考訳（メタデータ） (2025-11-29T04:01:55Z)
• ChartAB: A Benchmark for Chart Grounding & Dense Alignment [17.16234793106]
  視覚言語モデル(VLM)の包括的評価を提供する新しいChartAlign Benchmark(ChartAB)を導入する。 新たな2段階推論ワークフローを導入することで、ベンチマークは2つのチャートにまたがる要素/属性の調整と比較を行うVLMの機能をさらに評価することができる。 我々の評価分析は、チャート理解における認知バイアス、弱さ、頑健さ、幻覚に対する新たな洞察を明らかにする。
  論文  参考訳（メタデータ） (2025-10-30T17:56:31Z)
• BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning [51.472854950300416]
  視覚的に多様なチャート画像を生成するデータセット生成パイプラインであるBigChartsを提案する。 純粋な合成データセットとは異なり、BigChartsは現実世界のデータを取り込んで、信頼性と視覚的多様性を保証する。 チャート推論に特化して設計された新たな報酬信号を導入することにより,モデルの堅牢性と一般化が促進される。
  論文  参考訳（メタデータ） (2025-08-13T13:39:17Z)
• RefChartQA: Grounding Visual Answer on Chart Images through Instruction Tuning [63.599057862999]
  RefChartQAは、Chart Question Answering(ChartQA)とビジュアルグラウンドを統合した、新しいベンチマークである。 実験により,グラウンド化による空間認識を取り入れることで,応答精度が15%以上向上することが実証された。
  論文  参考訳（メタデータ） (2025-03-29T15:50:08Z)
• ChartBench: A Benchmark for Complex Visual Reasoning in Charts [36.492851648081405]
  MLLM(Multimodal Large Language Models)は画像の理解と生成に優れた能力を示している。 現在のベンチマークでは、限定的なチャートタイプと不適切なメトリクスのため、MLLMのチャート理解を正確に評価することができない。 複雑な視覚的推論によってチャートの理解とデータの信頼性を評価するための総合的なベンチマークであるChartBenchを提案する。
  論文  参考訳（メタデータ） (2023-12-26T07:20:55Z)

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。