ChartZero：合成先验实现零样图表数据提取
计算机视觉与模式识别
2026-05-08 v1
摘要
从折线图中自动提取数据仍受限于极端风格多样性和稀缺的、覆盖真实场景的综合标注数据集。当前的端到端管线高度依赖高成本的手动标注，限制了其在任意美学和网格布局下的泛化能力。此外，现有模型在重建过程中存在两个关键失效模式：其一，提取细小相交曲线常导致结构碎片化和细节丢失，因为标准架构难以抗背景复杂性；其二，语义关联极易出错，现有管线依赖刚性空间启发式，难以应对野生图表中不可预测的图例位置。最终进展的测量受限于评估协议仅评估孤立子任务，而非整体端到端数据重建。为此，我们引入 ChartZero，一种利用合成先验实现稳健零样图表数据提取的解析框架。通过仅在纯合成简单数学函数数据集上训练，模型完全绕过了真实世界标注瓶颈。我们通过 novel Global Orthogonal Instance（GOI）损失克服曲线碎片化问题，并用开放词汇、视觉语言模型（VLM）引导的图例匹配策略取代脆弱的空间规则。配合专为完整端到端重建设计的新型指标和基准，评估表明 ChartZero 在无需真实世界监督的情况下显著推进了普适图表数字化。代码和数据集将在接受后发布。
引用
@article{arxiv.2605.05820,
title = {ChartZero: Synthetic Priors Enable Zero Shot Chart Data Extraction},
author = {Md Touhidul Islam and Yasir Mahmud and Sujan Kumar Saha and Mark Tehranipoor and Farimah Farahmandi},
journal= {arXiv preprint arXiv:2605.05820},
year = {2026}
}