論文の概要: Pixels or Code? Benchmarking Instruction-Guided Visual Artifact Operation
- arxiv url: http://arxiv.org/abs/2610.16444v1
- Date: Mon, 12 Oct 2026 09:10:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 23:16:51.119893
- Title: Pixels or Code? Benchmarking Instruction-Guided Visual Artifact Operation
- Title（参考訳）: ピクセルかコードか? インストラクションガイドによるビジュアルアーティファクト操作のベンチマーク
- Abstract要約: 視覚領域、ピクセル、コード、エージェントのパラダイムを直接編集し、更新し、保存する。
VAO-Benchは9つのアーティファクトカテゴリと3つの難易度で1,573のタスクを手作業でスクリーニングする。
- 参考スコア（独自算出の注目度）: 16.566818476182043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual artifacts such as charts, technical diagrams, webpages, and document pages underpin scientific, commercial, and engineering workflows. Editing these artifacts requires direct modification, dependency-aware updates, preservation of unaffected content, and compliance with domain constraints. We define this capability as Visual Artifact Operation (VAO). Prior benchmarks test parts of this problem, including cascading updates in charts. We study direct edits, dependent updates, and preservation across visual domains and pixel, code, and agent paradigms under one image-only protocol. We introduce Visual Artifact Operation Bench (VAO-Bench), comprising 1,573 manually screened tasks across nine artifact categories and three difficulty levels. VAO-Bench uses executable artifacts and deterministic rendering to trace reference transformations and annotate direct edits, dependent updates, and preservation constraints. All systems receive the same source image and instruction; we evaluate pixel-space editors, code-generating multimodal systems, and tool-using agents on direct-edit accuracy, dependency-aware update, content preservation, domain validity, and visual quality. Experiments show that executable-code systems better support dependent updates, while pixel-space editors offer faster execution and strong visual quality. Explicitly stating dependencies improves both paradigms, identifying implicit-update inference as a central bottleneck. VAO-Bench provides a reproducible foundation for dependable visual artifact editing across generation paradigms.
- Abstract（参考訳）: 図、技術図、Webページ、ドキュメントページなどのビジュアルアーティファクトは、科学的、商業的、エンジニアリングのワークフローを基盤としています。
これらのアーティファクトの編集には、直接修正、依存関係を意識した更新、影響のないコンテンツの保存、ドメイン制約の遵守が必要である。
この機能をビジュアルアーティファクト操作(VAO)と定義する。
以前のベンチマークでは、チャートのカスケード更新など、この問題の一部をテストする。
我々は1つの画像のみのプロトコルの下で、視覚領域や画素、コード、エージェントパラダイムを直接編集し、更新し、保存する。
我々は,9つのアーティファクトカテゴリと3つの難易度で1,573のタスクを手作業でスクリーニングするビジュアルアーティファクト操作ベンチ(VAO-Bench)を紹介した。
VAO-Benchは実行可能アーティファクトと決定論的レンダリングを使用して参照変換をトレースし、アノテート直接編集、依存更新、保存制約を使用する。
直接編集精度,依存性認識更新,コンテンツ保存,ドメインの有効性,視覚的品質について,ピクセル空間エディタ,コード生成マルチモーダルシステム,ツール利用エージェントを評価した。
実験によると、実行可能コードシステムは依存した更新をよりサポートし、ピクセル空間エディタはより高速な実行と強力な視覚的品質を提供する。
依存関係の明示的な記述は両方のパラダイムを改善し、暗黙の更新推論を中心的なボトルネックとして認識する。
VAO-Benchは、生成パラダイム間の依存可能なビジュアルアーティファクト編集のための再現可能な基盤を提供する。
関連論文リスト
- MaLiang-Harness: A Programmable Path to Image and Video Generation [131.25289080401856]
本稿では,MLLMによる視覚生成を永続的な構築・検査・修正プロセスにまとめるフレームワークであるMaLiang-Harnessを紹介する。
我々は,MaLiang-IBench上の11個の強力なクローズソースMLLMとMaLiang-VBench上の4つのMLLMを評価し,生成成功,視覚的品質,計算コストを測定した。
論文 参考訳（メタデータ） (2026-09-28T04:48:06Z) - PPTBench: Can Coding Agents Reconstruct the Visual World through Structured, Editable Slides [2.579922196295471]
コーディングエージェントは、視覚の世界で動き始めています。
PTPBenchは、編集可能なスライド再構築を通じてビジュアルコーディングをベンチマークする。
エージェントは有効なPPTXファイルを確実に生成できるが、セマンティックや視覚的正確性、特にテキストの詳細に苦慮している。
論文 参考訳（メタデータ） (2026-08-31T17:59:37Z) - VicEdit: Learning to Edit Videos from Visual In-Context Examples [122.14105395087746]
テキストによる指示からマルチモーダルな視覚誘導までの映像編集を高める新しいパラダイムであるVisual In-context Editingを提案する。
VicEdit-400Kは、ビジュアルなテキスト内ビデオ編集のための最初の大規模データセットである。
VicEditは、基本的な命令編集とビジュアル・イン・コンテクスト編集の両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-08-17T15:55:40Z) - Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence [31.954261925882452]
このサーベイは、視覚的に接地された入力と出力の下でコードを生成し、編集し、洗練し、理屈を定めているシステムを調べます。
まず、コードが各タスクで果たす役割によってフィールドを定式化します。
次に、ベンチマークとメソッドをグラフィカルユーザインタフェース、システミックビジュアライゼーション、構造化グラフィックス、フロンティアタスクとフレームワークの4つのドメインにまとめます。
論文 参考訳（メタデータ） (2026-06-14T17:21:43Z) - Self-Distillation Policy Optimization via Visual Feedback: Bridging Code and Visual Artifacts [4.312910873423553]
コード生成ビジュアルアーティファクトの視覚自己蒸留について検討する。
Visual-SDPOは、描画された視覚フィードバックを、重量共有教師の特権的な文脈として扱う。
Visual-SDPOはゼロショットベースを10以上の絶対点で改善する。
論文 参考訳（メタデータ） (2026-06-09T02:28:39Z) - How Well Do Models Follow Visual Instructions? VIBE: A Systematic Benchmark for Visual Instruction-Driven Image Editing [56.60465182650588]
我々は,3段階の相互作用階層を導入し,決定的接地,形態的操作,因果推論を捉える。
本稿では,スケーラブルできめ細かい評価を実現するために,タスク固有のメトリクスを備えた堅牢なLMM-as-a-judge評価フレームワークを提案する。
プロプライエタリなモデルは早期の視覚指示追従能力を示し、一貫してオープンソースモデルを上回っていることがわかった。
論文 参考訳（メタデータ） (2026-02-02T09:24:45Z) - 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) - 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) - EdiVal-Agent: An Object-Centric Framework for Automated, Fine-Grained Evaluation of Multi-Turn Editing [170.71134330650796]
EdiVal-Agentは、命令ベースの画像編集のためのオブジェクト指向評価フレームワークである。
標準のシングルターンだけでなく、マルチターンの命令ベースの編集を精度良く評価するように設計されている。
EdiVal-Benchは、インコンテキスト、フローマッチング、拡散パラダイムにまたがる9つの命令タイプと13の最先端編集モデルをカバーするベンチマークである。
論文 参考訳（メタデータ） (2025-09-16T17:45:39Z)
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。