論文の概要: SciFigBench: A Benchmark for Scientific Method Figure Understanding

• arxiv url: http://arxiv.org/abs/2610.27087v1
• Date: Mon, 19 Oct 2026 18:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.446682
• Title: SciFigBench: A Benchmark for Scientific Method Figure Understanding
• Title（参考訳）: SciFigBench: 科学的手法による図解のベンチマーク
• Abstract要約: SciFigBenchは、科学的手法のフィギュア理解に必要なコア機能を評価するためのベンチマークである。 これは、密集したコンテンツ知覚、視覚的関係理解、情報フロートレースの3つの機能をターゲットにしている。 すべてのアノテーションは専用のパイプラインによって生成され、手動で検証される。
• 参考スコア（独自算出の注目度）: 18.37253901894643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific method figures often provide researchers with a clear visual entry point into a paper's methodology and core contributions, yet their dense layouts and complex information flows are difficult for Vision Language Models (VLMs) to interpret. Existing benchmarks predominantly focus on coarse-grained tasks, such as context-based retrieval or holistic comprehension, overlooking the fine-grained content and inter-module relations within complex methodological diagrams. To address these overlooked aspects, we introduce Scientific Figure Benchmark (SciFigBench), a benchmark for evaluating core capabilities required for scientific method figure understanding. Specifically, it targets three capabilities: dense content perception, visual relation comprehension, and information-flow tracing. For this purpose, we curate 4,352 scientific method figures from real-world research papers and construct 40,670 QA pairs to operationalize these capabilities as measurable question-answering tasks. All annotations are generated by dedicated pipelines and then manually verified. We further propose SciFigCue, a training-free visual prompting module that externalizes arrow-induced dependencies as visual relational evidence for method-figure reasoning. Experiments across open-source and proprietary VLMs show that even strong models remain substantially limited in visual relation comprehension, while SciFigCue improves performance across several tasks without parameter updates. The code and related resources are available at https://github.com/LeNcyer/SciFigBench.
• Abstract（参考訳）: 科学的手法の数値は、研究者に論文の方法論とコアコントリビューションへの明確な視覚的エントリポイントを提供することが多いが、その密集したレイアウトと複雑な情報フローは、視覚言語モデル(VLM)では解釈が困難である。 既存のベンチマークは主に、コンテキストベースの検索や全体的理解のような粗いタスクに重点を置いており、複雑な方法論図内の細かい内容やモジュール間関係を見下ろしている。 これらの見過ごされた側面に対処するために、科学的手法の図解理解に必要なコア能力を評価するためのベンチマークであるSciFigBench(SciFigBench)を紹介する。 具体的には、濃密なコンテンツ知覚、視覚的関係理解、情報フロートレースの3つの機能をターゲットにしている。 この目的のために,実世界の研究論文から4,352の科学的手法を算出し,40,670のQAペアを構築し,これらの機能を測定可能な質問応答タスクとして運用する。 すべてのアノテーションは専用のパイプラインによって生成され、手動で検証される。 SciFigCueは、矢印による依存性を視覚的関係性証拠として外部化する訓練不要なビジュアルプロンプトモジュールである。 オープンソースのVLMとプロプライエタリなVLMでの実験では、強力なモデルでさえ視覚的関係の理解において大幅に制限されている一方で、SciFigCueはパラメータ更新なしで複数のタスクのパフォーマンスを改善している。 コードと関連するリソースはhttps://github.com/LeNcyer/SciFigBench.comで公開されている。

関連論文リスト

• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy [4.707083459088333]
  マルチモーダルな大言語モデル(MLLM)は、可視化の解釈にますます利用されている。 科学的可視化リテラシー評価試験において,6つのMLLMをベンチマークした。 その結果,現在のMLLMではSciVisリテラシーが統一されていないことがわかった。
  論文  参考訳（メタデータ） (2026-07-16T16:29:34Z)
• Unifying Scientific Communication: Fine-Grained Correspondence Across Scientific Media [40.40617019402065]
  科学知識のコミュニケーションはますます多モーダルになりつつある。 フォーマット間の明示的なリンクの欠如は、概念、視覚、説明がどのように対応するかを追跡するのを難しくする。 研究論文、プレゼンテーションビデオ、解説ビデオ、同じ作品のスライドを統合する最初のベンチマーク。 我々は, 埋め込み型および視覚言語モデルを用いて, 微粒なクロスフォーマット対応を見つける能力を評価する。
  論文  参考訳（メタデータ） (2026-05-07T08:04:50Z)
• Guided Navigation in Knowledge-Dense Environments: Structured Semantic Exploration with Guidance Graphs [21.84798899012135]
  本稿では,非構造化クエリと構造化知識検索をブリッジする中間ガイダンスグラフを導入する新しいフレームワークを提案する。 Guidance Graphは、対象の知識の構造を抽象化し、より広い意味的コンテキストを保存することで、検索空間を定義する。 提案手法は,特に複雑なタスクにおいて,SOTAよりも優れた効率と性能を実現する。
  論文  参考訳（メタデータ） (2025-08-06T08:47:57Z)
• CODIS: Benchmarking Context-Dependent Visual Comprehension for Multimodal Large Language Models [58.95889895912716]
  我々は、自由形式のテキストで提供されるコンテキストを用いて視覚的理解を高めるモデルの有効性を評価するために、CODISと名付けられた新しいベンチマークを導入する。 以上の結果から,MLLMは必ずしも人体性能に劣っていることが示唆された。 このことは、MLLMが視覚を文脈依存的に理解する能力を高めることの必要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2024-02-21T08:21:12Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Reasoning over Vision and Language: Exploring the Benefits of Supplemental Knowledge [59.87823082513752]
  本稿では,汎用知識基盤(KB)から視覚言語変換器への知識の注入について検討する。 我々は複数のタスクやベンチマークに対する様々なkbの関連性を実証的に研究する。 この技術はモデルに依存しず、最小限の計算オーバーヘッドで任意の視覚言語変換器の適用可能性を拡張することができる。
  論文  参考訳（メタデータ） (2021-01-15T08:37:55Z)

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。