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(jìn)行了探索，利用文本描述生成論文圖表，結(jié)果還挺有模有樣的呢！

生成式 AI 已經(jīng)風(fēng)靡了人工智能社區(qū)，無論是個人還是企業(yè)，都開始熱衷于創(chuàng)建相關(guān)的模態(tài)轉(zhuǎn)換應(yīng)用，比如文生圖、文生視頻、文生音樂等等。

最近呢，來自 ServiceNow Research、LIVIA 等科研機(jī)構(gòu)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 FigGen 的新方法，相關(guān)論文還被 ICLR 2023 收錄為了 Tiny Paper。

論文地址：https://arxiv.org/abs/2306.00800

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(jié)果，而自動生成圖表可以為研究者帶來很多優(yōu)勢，比如節(jié)省時間和精力，不用花大力氣從頭開始設(shè)計(jì)圖表。此外設(shè)計(jì)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(zhàn)，它需要表示框、箭頭、文本等離散組件之間的復(fù)雜關(guān)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(xì)粒度的理解，例如生成一個神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)集上訓(xùn)練了一個生成式模型，捕獲圖表組件與論文中對應(yīng)文本之間的關(guān)系。這就需要處理不同長度和高技術(shù)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(shí)現(xiàn)過程中，研究者受到了最近文本到圖像成果的啟發(fā)，利用擴(kuò)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(kuò)散模型 ——FigGen。

這個擴(kuò)散模型有哪些獨(dú)到之處呢？我們接著往下看細(xì)節(jié)。

模型與方法

研究者從頭開始訓(xùn)練了一個潛在擴(kuò)散模型。

首先學(xué)習(xí)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(diào)節(jié)所用的文本編碼器在該擴(kuò)散模型的訓(xùn)練中端到端進(jìn)行學(xué)習(xí)。下表 3 為圖像自動編碼器架構(gòu)的詳細(xì)參數(shù)。

然后，該擴(kuò)散模型直接在潛在空間中進(jìn)行交互，執(zhí)行數(shù)據(jù)損壞的前向調(diào)度，同時學(xué)習(xí)利用時間和文本條件去噪 U-Net 來恢復(fù)該過程。

至于數(shù)據(jù)集，研究者使用了 Paper2Fig100k，它由論文中的圖表文本對組成，包含了 81,194 個訓(xùn)練樣本和 21,259 個驗(yàn)證樣本。下圖 1 為 Paper2Fig100k 測試集中使用文本描述生成的圖表示例。

模型細(xì)節(jié)

首先是圖像編碼器。第一階段，圖像自動編碼器學(xué)習(xí)一個從像素空間到壓縮潛在表示的映射，使擴(kuò)散模型訓(xùn)練更快。圖像編碼器還需要學(xué)習(xí)將潛在圖像映射回像素空間，同時不丟失圖表重要細(xì)節(jié)（如文本渲染質(zhì)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(jìn)行下采樣。編碼器經(jīng)過訓(xùn)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(fā)現(xiàn)通用文本編碼器不太適合生成圖表任務(wù)。因此他們定義了一個在擴(kuò)散過程中從頭開始訓(xùn)練的 Bert transformer，其中使用大小為 512 的嵌入通道，這也是調(diào)節(jié) U-Net 的跨注意力層的嵌入大小。研究者還探索了不同設(shè)置下（8、32 和 128）的 transformer 層數(shù)量的變化。

最后是潛在擴(kuò)散模型。下表 2 展示了 U-Net 的網(wǎng)絡(luò)架構(gòu)。研究者在感知上等效的圖像潛在表示中執(zhí)行擴(kuò)散過程，其中該圖像的輸入大小被壓縮到了 64x64x4，使擴(kuò)散模型更快。他們定義了 1,000 個擴(kuò)散步驟和線性噪聲調(diào)度。

訓(xùn)練細(xì)節(jié)

為了訓(xùn)練圖像自動編碼器，研究者使用了一個 Adam 優(yōu)化器，它的有效批大小為 4 個樣本、學(xué)習(xí)率為 4.5e?6，期間使用了 4 個 12GB 的英偉達(dá) V100 顯卡。為了實(shí)現(xiàn)訓(xùn)練穩(wěn)定性，他們在 50k 次迭代中 warmup 模型，而不使用判別器。

對于訓(xùn)練潛在擴(kuò)散模型，研究者也使用 Adam 優(yōu)化器，它的有效批大小為 32，學(xué)習(xí)率為 1e?4。在 Paper2Fig100k 數(shù)據(jù)集上訓(xùn)練該模型時，他們用到了 8 塊 80GB 的英偉達(dá) A100 顯卡。

實(shí)驗(yàn)結(jié)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(jì)算 FID, IS, KID 以及 OCR-SIM1。穩(wěn)重使用無分類器指導(dǎo)（CFG）來測試超調(diào)節(jié)。

下表 1 展示了不同文本編碼器的結(jié)果。可見，大型文本編碼器產(chǎn)生了最好的定性結(jié)果，并且可以通過增加 CFG 的規(guī)模來改進(jìn)條件生成。雖然定性樣本沒有足夠的質(zhì)量來解決問題，但 FigGen 已經(jīng)掌握了文本和圖像之間的關(guān)系。

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

下圖 3 展示了 FigGen 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(shù)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(rèn)，盡管現(xiàn)在這些生成的圖表不能為論文作者提供實(shí)際幫助，但仍不失為一個有前景的探索方向。