Hanfu-Bench：跨时代文化理解与文化转创的多模态基准
计算与语言
2025-09-30 v3 计算机视觉与模式识别
摘要
文化是一个丰富且动态的领域，随地理和时间而演变。然而，现有关于视觉语言模型（VLMs）文化理解的研究主要强调地理多样性，往往忽视了关键的时间维度。为了弥合这一差距，我们引入了 Hanfu-Bench，一个由专家精心策划的新型多模态数据集。汉服作为跨越中国古代各朝代的传统服饰，是反映中国文化深厚时间维度的代表性文化遗产，同时在当代中国社会依然极具流行度。Hanfu-Bench 包含两个核心任务：文化视觉理解和文化图像转创。前者通过多项选择视觉问答，考察基于单图或多图输入的时代文化特征识别；后者则侧重于通过文化元素传承和现代语境适应，将传统服饰转化为现代设计。我们的评估表明，闭源 VLM 在视觉文化理解上的表现与非专家相当，但比人类专家低 10%，而开源 VLM 则进一步落后于非专家。对于转创任务，多维度的人类评估表明，表现最佳的模型成功率仅为 42%。我们的基准提供了一个重要的试验平台，揭示了这一时间文化理解与创造性改编新方向上的重大挑战。
引用
@article{arxiv.2506.01565,
title = {Hanfu-Bench: A Multimodal Benchmark on Cross-Temporal Cultural Understanding and Transcreation},
author = {Li Zhou and Lutong Yu and Dongchu Xie and Shaohuan Cheng and Wenyan Li and Haizhou Li},
journal= {arXiv preprint arXiv:2506.01565},
year = {2025}
}
备注
Cultural Analysis, Cultural Visual Understanding, Cultural Image Transcreation. Accepted by EMNLP 2025 (Oral)