ChartQA-X：为视觉图表推理生成解释
计算机视觉与模式识别
2025-12-08 v4
摘要
从图表图像中解释复杂信息的能力对于数据驱动决策至关重要。本文针对在回答图表问题时生成详细解释这一挑战展开研究。我们提出了 ChartQA-X 数据集，包含 30,799 个图表样本，覆盖四种图表类型，每个样本配有与之相关的上下文问题、答案和解释。解释的生成与筛选基于忠实性、信息性、连贯性和困惑度等指标。我们对 245 名参与者进行的人类评估显示，模型生成的 ChartQA-X 解释在准确性和逻辑性方面优于人类编写的解释，在清晰度和整体质量方面表现相当。此外，在 ChartQA-X 上微调的模型在各种指标上均实现显著提升，解释质量提升最高可达 24.57 分，问答准确率提升最高可达 18.96 个百分点，在同一任务的未见基准测试上提升最高可达 14.75 个百分点。通过将解释叙事与答案集成，我们的方法使智能体能够更有效地传达复杂的视觉信息，从而提高理解程度并增强对生成响应的信任。
引用
@article{arxiv.2504.13275,
title = {ChartQA-X: Generating Explanations for Visual Chart Reasoning},
author = {Shamanthak Hegde and Pooyan Fazli and Hasti Seifi},
journal= {arXiv preprint arXiv:2504.13275},
year = {2025}
}
备注
WACV 2026. Project Page: https://teal-lab.github.io/chartqa-x