如果論文中的圖表不用繪制，對于研究者來說是不是一種便利呢？有人在這方面進行了探索，利用文本描述生成論文圖表，結果還挺有模有樣的呢！

生成式 AI 已經風靡了人工智能社區，無論是個人還是企業，都開始熱衷于創建相關的模態轉換應用，比如文生圖、文生視頻、文生音樂等等。

最近呢，來自 、 等科研機構的幾位研究者嘗試基于文本描述生成論文中的圖表。為此，他們提出了一種 的新方法，相關論文還被 ICLR 2023 收錄為了 Tiny 。

論文地址：

也許有人會問了，生成論文中的圖表有什么難的呢？這樣做對于科研又有哪些幫助呢？

科研圖表生成有助于以簡潔易懂的方式傳播研究結果，而自動生成圖表可以為研究者帶來很多優勢，比如節省時間和精力，不用花大力氣從頭開始設計圖表。此外設計出具有視覺吸引力且易理解的圖表能使更多的人訪問論文。

然而生成圖表也面臨一些挑戰，它需要表示框、箭頭、文本等離散組件之間的復雜關系。與生成自然圖像不同，論文圖表中的概念可能有不同的表示形式，需要細粒度的理解，例如生成一個神經網絡圖會涉及到高方差的不適定問題。

因此，本文研究者在一個論文圖表對數據集上訓練了一個生成式模型，捕獲圖表組件與論文中對應文本之間的關系。這就需要處理不同長度和高技術性文本描述、不同圖表樣式、圖像長寬比以及文本渲染字體、大小和方向問題。

在具體實現過程中，研究者受到了最近文本到圖像成果的啟發，利用擴散模型來生成圖表，提出了一種從文本描述生成科研圖表的潛在擴散模型 ——。

這個擴散模型有哪些獨到之處呢？我們接著往下看細節。

模型與方法

研究者從頭開始訓練了一個潛在擴散模型。

首先學習一個圖像自動編碼器，用來將圖像映射為壓縮的潛在表示。圖像編碼器使用 KL 損失和 OCR 感知損失。調節所用的文本編碼器在該擴散模型的訓練中端到端進行學習。下表 3 為圖像自動編碼器架構的詳細參數。

然后，該擴散模型直接在潛在空間中進行交互，執行數據損壞的前向調度，同時學習利用時間和文本條件去噪 U-Net 來恢復該過程。

至于數據集，研究者使用了 ，它由論文中的圖表文本對組成，包含了 81,194 個訓練樣本和 21,259 個驗證樣本。下圖 1 為 測試集中使用文本描述生成的圖表示例。

模型細節

首先是圖像編碼器。第一階段，圖像自動編碼器學習一個從像素空間到壓縮潛在表示的映射，使擴散模型訓練更快。圖像編碼器還需要學習將潛在圖像映射回像素空間，同時不丟失圖表重要細節（如文本渲染質量）。

為此，研究者定義了一個具有瓶頸的卷積編解碼器，在因子 f=8 時對圖像進行下采樣。編碼器經過訓練可以最小化具有高斯分布的 KL 損失、VGG 感知損失和 OCR 感知損失。

其次是文本編碼器。研究者發現通用文本編碼器不太適合生成圖表任務。因此他們定義了一個在擴散過程中從頭開始訓練的 Bert ，其中使用大小為 512 的嵌入通道，這也是調節 U-Net 的跨注意力層的嵌入大小。研究者還探索了不同設置下（8、32 和 128）的 層數量的變化。

最后是潛在擴散模型。下表 2 展示了 U-Net 的網絡架構。研究者在感知上等效的圖像潛在表示中執行擴散過程，其中該圖像的輸入大小被壓縮到了 ，使擴散模型更快。他們定義了 1,000 個擴散步驟和線性噪聲調度。

訓練細節

為了訓練圖像自動編碼器，研究者使用了一個 Adam 優化器，它的有效批大小為 4 個樣本、學習率為 4.5e?6，期間使用了 4 個 12GB 的英偉達 V100 顯卡。為了實現訓練穩定性，他們在 50k 次迭代中 模型，而不使用判別器。

對于訓練潛在擴散模型，研究者也使用 Adam 優化器，它的有效批大小為 32，學習率為 1e?4。在 數據集上訓練該模型時，他們用到了 8 塊 80GB 的英偉達 A100 顯卡。

實驗結果

在生成過程中，研究者采用了具有 200 步的 DDIM 采樣器，并且為每個模型生成了 12,000 個樣本來計算 FID, IS, KID 以及 OCR-SIM1。穩重使用無分類器指導（CFG）來測試超調節。

下表 1 展示了不同文本編碼器的結果。可見，大型文本編碼器產生了最好的定性結果，并且可以通過增加 CFG 的規模來改進條件生成。雖然定性樣本沒有足夠的質量來解決問題，但 已經掌握了文本和圖像之間的關系。

下圖 2 展示了調整無分類器指導（CFG）參數時生成的額外 樣本。研究者觀察到增加 CFG 的規模（這在定量上也得到了體現）可以帶來圖像質量的改善。

下圖 3 展示了 的更多生成示例。要注意樣本之間長度的變化，以及文本描述的技術水平，這會密切影響到模型正確生成可理解圖像的難度。

不過研究者也承認，盡管現在這些生成的圖表不能為論文作者提供實際幫助，但仍不失為一個有前景的探索方向。