inkGround基准评测手写草书细粒度视觉定位能力
原文：inkGround: Benchmarking Fine-grained Visual Grounding Capabilities of Vision-Language Models for Cursive Handwriting in the Wild
人类手写体是作为有序的笔尖运动序列产生的，但离线图像只保留了最终的墨迹。手写轨迹恢复旨在还原有序的笔画点及其抬笔/落笔转换。现有的图像-轨迹配对数据集是在受控条件下用数字化平板记录的，这限制了书写者覆盖范围和风格多样性。此外，目前没有基准测试来衡量通用视觉语言模型（VLM）在笔画轨迹恢复任务中的视觉定位能力。在这项工作中，我们引入了inkGround，一个从整页、相机拍摄的手写体中恢复笔画轨迹的基准。inkGround将537张页面图像（约18.7k词，约163k笔画）与由预训练的离线到在线模型生成的参考轨迹配对，经OCR一致性过滤并由人工评分者验证。由于这些参考是代表一种合理笔迹轨迹的伪标签，我们还在提供记录笔迹轨迹的IAM-OnDB数据集上评估VLM。我们将该任务设定为文本条件点定位：给定页面图像和目标词，模型必须定位该词并输出其有序笔画点。输出按轨迹保真度（DTW、Chamfer距离）、渲染笔画的可读性（准确率、正确率）和风格相似度进行评分。我们使用共享的上下文提示对四个开源和三个前沿闭源VLM进行了基准测试。闭源模型，尤其是Gemini-3.1-Pro，产生了接近参考的可读轨迹，这一排名在IAM-OnDB上也成立。作者：Sidra Hanif 类别：cs.CV,cs.AI