論文の概要: Do You Miss the Nights We Spent Crafting Figures? Rethinking Teaser and Framework Figures in the Age of Generative AI
- arxiv url: http://arxiv.org/abs/2611.08486v1
- Date: Thu, 05 Nov 2026 18:59:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.633108
- Title: Do You Miss the Nights We Spent Crafting Figures? Rethinking Teaser and Framework Figures in the Age of Generative AI
- Title(参考訳): 創造的AIの時代のティーザーとフレームワークのフィギュアを再考する
- Abstract要約: 我々は200の論文から371のモチベーションとフレームワークの数字を視覚的に振り返る。
マルチモーダル・ジャッジはコミュニケーションとデザインの6つの次元を評価し、図1つにつき3つの繰り返しの判断を行う。
改訂により、明瞭度評価は0.428ポイント、審美的コヒーレンス評価は0.111ポイント低下する。
- 参考スコア(独自算出の注目度): 21.881860919535814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific figures give research ideas a visual form through choices of abstraction, composition, and emphasis. Generative AI offers new ways to realize these choices, raising questions about explanatory clarity and purposeful visual expression. We examine these questions through a visual retrospective of 371 motivation and framework figures from 200 papers. The corpus comprises a quota-based main sample of 160 papers spanning four temporal periods and a separate purposive style-contrast sample of 40 papers. A single multimodal judge evaluates six dimensions of communication and design, with three repeated judgments per figure. We attempt source-constrained revisions of all 371 figures, of which 369 pass the recorded fidelity checks. Original-figure ratings show no uniform decline across periods. Revisions increase mean clarity ratings by 0.428 points and decrease aesthetic coherence ratings by 0.111 points on a five-point scale. Gains in the six-dimension average are larger for main-sample motivation figures than for frameworks. Case analyses show that added explanation can clarify comparisons while leaving typographic hierarchy and visual economy unresolved. These model-based findings support researcher-led design, with AI assisting exploration and authors retaining responsibility for explanatory purpose, composition, and scientific relationships. The accompanying atlas and evaluation records are available at https://ntu-ai4x.github.io/Rethinking_Figures/index_en.html.
- Abstract(参考訳): 科学的人物は、抽象的、構成的、強調的な選択を通じて、研究のアイデアに視覚的な形を与える。
Generative AIは、これらの選択を実現するための新しい方法を提供する。
我々は,200論文のモチベーションとフレームワークに関する371の視覚的ふりかえりを通じて,これらの疑問を考察する。
コーパスは、4つの期間にまたがる160枚の紙のクォータベースの主サンプルと、40枚の紙の別々のパーポーブスタイルコントラストのサンプルからなる。
単一のマルチモーダル・ジャッジは、6つのコミュニケーションと設計の次元を評価し、1つの図ごとに3つの判断を繰り返します。
369が記録された忠実度チェックをパスした371の数字のソース制約付き修正を試みる。
オリジナル・フィギュア・レーティングは、一定期間にわたって低下していない。
改訂により平均明度は0.428ポイント、審美的コヒーレンス評価は0.111ポイント低下する。
6次元平均のゲインは、フレームワークよりもメインサンプルのモチベーションの数字の方が大きい。
事例分析では、説明を加えれば、分類階層と視覚経済を未解決のままにしながら比較を明らかにすることができる。
これらのモデルに基づく発見は研究者主導のデザインをサポートし、AIは探索を支援し、著者は説明目的、構成、科学的関係の責任を保持する。
付随するアトラスと評価レコードはhttps://ntu-ai4x.github.io/Rethinking_Figures/index_en.htmlで公開されている。
関連論文リスト
- Self-Questioning Vision-Language Models: Reinforcement Learning for Compositional Visual Reasoning [0.0]
VLM(Vision-Language Models)は、画像とテキストの両方を処理するAIシステムである。
本稿では,視覚的質問を小さなサブクエストに分割するようにVLMを訓練するセルフクエストフレームワークを提案する。
自己探索学習と標準強化学習の両方が、訓練されていないモデルよりも精度を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2026-06-14T07:42:34Z) - Fine-Tuning a Large Vision-Language Model for Artwork's Scoring and Critique [11.787232686718367]
視覚言語モデルQwen2-VL-7Bをマルチタスク学習で微調整し,人間の絵画の自動創造性評価のための枠組みを提案する。
私たちのデータセットには、1-100スケールで収集された1000枚の人造絵画が含まれており、短い人間による記述と組み合わせられている。
実験ではPearson r > 0.97 となり、100点スケールで約3.95 となる。
論文 参考訳(メタデータ) (2026-02-09T19:52:16Z) - RPC-Bench: A Fine-grained Benchmark for Research Paper Comprehension [65.81339691942757]
RPC-Bench(RPC-Bench)は、高品質なコンピュータサイエンス論文のレビュー・リビューの交換から構築された大規模質問応答ベンチマークである。
我々は、科学研究の流れに沿ったきめ細かい分類を設計し、モデルがなぜ、何、どのように学術的な文脈で質問するかを理解し、答える能力を評価する。
論文 参考訳(メタデータ) (2026-01-14T11:37:00Z) - Explain Before You Answer: A Survey on Compositional Visual Reasoning [74.27548620675748]
構成的視覚推論は、マルチモーダルAIにおける重要な研究フロンティアとして登場した。
本調査は,トップ会場(CVPR,ICCV,NeurIPS,ICML,ACLなど)から260以上の論文を体系的にレビューする。
次に60以上のベンチマークとそれに対応するメトリクスを、基底精度、連鎖忠実性、高分解能知覚などの次元に沿って探索する。
論文 参考訳(メタデータ) (2025-08-24T11:01:51Z) - Rethinking Comprehensive Benchmark for Chart Understanding: A Perspective from Scientific Literature [33.69273440337546]
我々は新しいベンチマークであるScience Chart QA (SCI-CQA)を導入する。
過去10年間で、トップクラスのコンピュータサイエンスカンファレンス15の論文から、202,760のイメージテキストペアのデータセットをキュレートしました。
SCI-CQAはまた、人間の試験にインスパイアされた新しい評価フレームワークを導入し、5,629の精査された質問を含んでいる。
論文 参考訳(メタデータ) (2024-12-11T05:29:54Z) - COLUMBUS: Evaluating COgnitive Lateral Understanding through Multiple-choice reBUSes [14.603382370403]
視覚的側方思考を多選択質問応答タスクとして定式化する。
タスク例をインスタンス化するための3段階の分類駆動手法について述べる。
テキストとアイコンのリバスパズルを用いたQAセット作成にタスクパイプラインを適用した総合ベンチマークであるCOLUMBUSを開発した。
論文 参考訳(メタデータ) (2024-09-06T06:49:55Z) - Cobra Effect in Reference-Free Image Captioning Metrics [58.438648377314436]
視覚言語事前学習モデル(VLM)を活用した参照フリー手法の普及が出現している。
本稿では,基準自由度に欠陥があるかどうかを考察する。
GPT-4Vは生成した文を評価するための評価ツールであり,提案手法がSOTA(State-of-the-art)の性能を達成することを示す。
論文 参考訳(メタデータ) (2024-02-18T12:36:23Z) - Fair Abstractive Summarization of Diverse Perspectives [103.08300574459783]
公平な要約は、特定のグループを過小評価することなく、多様な視点を包括的にカバーしなければなりません。
はじめに、抽象的な要約における公正性は、いかなる集団の視点にも過小評価されないものとして、正式に定義する。
本研究では,対象視点と対象視点の差を測定することで,基準のない4つの自動計測手法を提案する。
論文 参考訳(メタデータ) (2023-11-14T03:38:55Z)
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。