論文の概要: UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image Generation
- arxiv url: http://arxiv.org/abs/2610.09823v1
- Date: Wed, 07 Oct 2026 10:47:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.857498
- Title: UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image Generation
- Title（参考訳）: UltraText Bench: 画像生成における視覚テキストレンダリング評価のための総合的バイリンガルベンチマーク
- Abstract要約: 我々は、高密度な視覚テキストを即時生成するためのバイリンガルベンチマークであるUltraText Benchを紹介する。
24の現実世界のシーンカテゴリと3つの難易度にまたがる432のプロンプトが含まれており、英語と中国語で等しく分けられている。
我々はQ-Judger視覚言語モデルを用いて、各画像を完全な参照に対して評価し、テキストの忠実さ、テキストの明瞭さ、空間的品質、シーン品質を報告する。
- 参考スコア（独自算出の注目度）: 25.61197178136632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dense visual text requires image generators to reproduce long strings across multiple regions with correct placement and legibility. As short-string rendering improves, evaluation must test sustained performance across more demanding scenes. We introduce UltraText Bench, a bilingual benchmark for prompt-only generation of dense visual text. It contains 432 prompts spanning 24 real-world scene categories and three difficulty levels, split equally between English and Chinese. Each human-reviewed prompt supplies exact strings for four to twelve text regions, paired with structured references for their content, placement, and visual attributes. We use the Q-Judger vision-language model to assess each image against the complete reference, reporting text fidelity, text clarity, spatial quality, and scene quality. Across 24 model configurations, these dimensions reveal different strengths: Z-Image-Turbo gains 3.81 clarity points over Z-Image-Base while losing 14.76 fidelity points under the reported settings. Performance also varies with workload; Qwen-Image-2512's English composite falls from 86.50 at L1 to 42.86 at L3. Ten participants took part in human evaluation of the automatic scores. Repository: https://github.com/LINs-lab/UltraText_Bench.
- Abstract（参考訳）: 複雑なビジュアルテキストでは、画像生成者が複数の領域にまたがる長い文字列を正しい配置と可視性で再現する必要がある。
ショートストリングレンダリングが向上するにつれて、より要求の多いシーンで持続的なパフォーマンスをテストする必要がある。
我々は、高密度な視覚テキストを即時生成するためのバイリンガルベンチマークであるUltraText Benchを紹介する。
24の現実世界のシーンカテゴリと3つの難易度にまたがる432のプロンプトが含まれており、英語と中国語で等しく分けられている。
レビューされた各プロンプトは、4から12のテキスト領域に対して正確な文字列を提供し、コンテンツ、配置、視覚属性の構造化された参照とペアリングする。
我々はQ-Judger視覚言語モデルを用いて、各画像を完全な参照に対して評価し、テキストの忠実さ、テキストの明瞭さ、空間的品質、シーン品質を報告する。
Z-Image-TurboはZ-Image-Baseに対して3.81の明瞭度ポイントを獲得し、報告された設定では14.76の忠実度ポイントを失う。
Qwen-Image-2512の英語の複合材はL1で86.50からL3で42.86に低下する。
10人の参加者が自動スコアの人的評価に参加した。
リポジトリ: https://github.com/LINs-lab/UltraText_Bench.com
関連論文リスト
- TextSculptor: Training and Benchmarking Scene Text Editing [88.11688559021628]
データ構築とシーンテキスト編集評価のための総合的なフレームワークであるTextSculptorを提案する。
TextSculptorはオープンソースのテキスト編集性能を改善し、プロプライエタリなモデルとのギャップを狭める。
論文 参考訳（メタデータ） (2026-05-20T12:22:26Z) - TextGround4M: A Prompt-Aligned Dataset for Layout-Aware Text Rendering [64.22226877213521]
テキスト・ツー・イメージ生成の進歩にもかかわらず、モデルはまだ、プロンプト仕様のテキストを正しい空間レイアウトでレンダリングするのに苦労している。
TextGround4Mは400万以上のプロンプトイメージ対のデータセットで、プロンプトと対応するバウンディングボックスにグラウンドされたスパンレベルテキストをアノテートする。
本稿では、モデルアーキテクチャや推論動作を変更することなく、トレーニング中にレイアウトを意識したスパントークンを付加する自動回帰型T2Iモデルの軽量なトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2026-04-27T13:28:57Z) - JaWildText: A Benchmark for Vision-Language Models on Japanese Scene Text Understanding [19.312383956707396]
JaWildTextは、日本語シーンテキスト理解における視覚言語モデル(VLM)の評価のための診断ベンチマークである。
日本では新たに撮影された2,961枚の画像から,241件のインスタンスがあり,3,643種類の注釈付き文字が12万件ある。
視覚的組織、出力形式、書き方で異なる3つの補完的なタスクから構成される。
論文 参考訳（メタデータ） (2026-03-30T01:36:16Z) - EasyText: Controllable Diffusion Transformer for Multilingual Text Rendering [9.087419148444225]
本稿では,DiT(Diffusion Transformer)に基づくテキストレンダリングフレームワークであるEasyTextを紹介する。
本稿では,文字位置の符号化と位置の符号化手法を提案する。
我々は,100万の多言語画像テキストアノテーションを用いた大規模合成テキスト画像データセットを構築し,20Kの注釈付き画像の高品質なデータセットを構築した。
論文 参考訳（メタデータ） (2025-05-30T09:55:39Z) - SceneVTG++: Controllable Multilingual Visual Text Generation in the Wild [55.619708995575785]
自然景観画像のテキストは、以下の4つの重要な基準を満たす必要がある。
生成されたテキストは、自然なシーンOCR(Optical Character Recognition)タスクのトレーニングを容易にする。
生成された画像は、テキスト検出やテキスト認識といったOCRタスクにおいて優れている。
論文 参考訳（メタデータ） (2025-01-06T12:09:08Z) - ConTextual: Evaluating Context-Sensitive Text-Rich Visual Reasoning in Large Multimodal Models [92.60282074937305]
テキストリッチな画像に対して文脈に敏感な推論を必要とする人為的な命令を特徴とする新しいデータセットであるConTextualを紹介した。
そこで本研究では,14の基盤モデルの性能評価実験を行い,人為的な性能基準を確立する。
GPT-4Vとヒトのパフォーマンスの30.8%の有意な性能差を観察した。
論文 参考訳（メタデータ） (2024-01-24T09:07:11Z) - A Benchmark for Chinese-English Scene Text Image Super-resolution [15.042152725255171]
Scene Text Image Super- resolution (STISR) は、低解像度(LR)入力から視覚的に快適で読みやすいテキストコンテンツで高解像度(HR)のテキストイメージを復元することを目的としている。
現存する作品の多くは、比較的単純な文字構造を持つ英語のテキストの復元に重点を置いている。
我々は,STISRのタスクに対して,実世界の中国語と英語のベンチマークデータセットであるReal-CEを提案する。
論文 参考訳（メタデータ） (2023-08-07T02:57:48Z)
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。