新基准 inkGround 评测 VLM 从手写图像恢复笔迹轨迹的能力。
资讯摘要
论文提出 inkGround 基准，用于评估通用视觉语言模型从整页相机拍摄手写图像中恢复笔迹轨迹的能力。该基准将 537 张页面图像（约 1.87 万词、16.3 万笔画）与预训练离线转在线模型生成的参考轨迹配对，并经 OCR 一致性筛选和人工核验；由于参考轨迹是伪标签，作者还在提供真实笔迹轨迹的 IAM-OnDB 上评测。任务被定义为文本条件点定位，按轨迹保真度、渲染可读性和风格相似度评分。
要点速读
- inkGround 包含 537 张整页相机拍摄手写图像，约 1.87 万词、16.3 万笔画，参考轨迹由预训练离线转在线模型生成并经 OCR 筛选与人工核验。
- 任务形式为文本条件点定位：给定页面图像和目标词，模型需定位该词并输出有序笔画点。
- 作者用统一上下文提示评测 4 个开源和 3 个前沿闭源 VLM，闭源模型（尤其 Gemini-3.1-Pro）生成的轨迹更清晰且接近参考，该排序在 IAM-OnDB 上同样成立。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。