DiagramBank：一个具有多级文档上下文的质量审计科学示意图数据集
信息检索
2026-05-28 v2 人工智能
摘要
科学论文使用示意图来传达方法、工作流程和系统结构，然而现有的科学图表语料库常常将它们与图表、截图和照片混合在一起，并且很少保留文档上下文。我们介绍了 DiagramBank，这是一个经过质量审计的数据集，包含 57,100 张从 OpenReview 主办的 AI/ML 会议中整理出的示意图。每条记录都将一张示意图图像与其论文标题、摘要、图注、文中图表引用跨度、会议/年份元数据、来源字段和过滤标签关联起来。DiagramBank 是一个可复用于科学文档理解、示意图检索、语料库分析和未来基准构建的资源。我们描述了其提取和级联过滤流程、发布模式、置信度控制视图、数据集卡片和索引工具。对发布的级联过滤记录进行的人工盲审估计精确率为 93.67%，而一项独立的 CLIP 阈值分析则描述了更简单过滤视图的精确率-覆盖率权衡。我们进一步提供了轻量级的元数据索引和创作示例，以说明下游协议，而不将这些工具视为独立方法。代码公开于：https://github.com/csml-rpi/DiagramBank。
引用
@article{arxiv.2604.20857,
title = {DiagramBank: A Quality-Audited Dataset of Scientific Schematic Diagrams with Multi-Level Document Context},
author = {Ling Yue and Tingwen Zhang and Jiaying Wang and Zhen Xu and Shaowu Pan},
journal= {arXiv preprint arXiv:2604.20857},
year = {2026}
}