README.zh-CN.md

metadata

language:
  - zh
license: apache-2.0
task_categories:
  - image-to-image
pretty_name: TextRefinementBench
size_categories:
  - 1K<n<10K
configs:
  - config_name: images
    data_files:
      - split: test
        path: data/images/test-*.parquet
  - config_name: annotations
    data_files:
      - split: test
        path: data/annotations/test-*.parquet

TextRefinementBench

English | 简体中文

TextRefinementBench 是用于字形条件局部文字修复（glyph-conditioned local text refinement）的评测基准。每个样本是一张原始分辨率图片，配上一组需要重绘的文字区域：每个目标包含目标文字、该区域的多边形，以及原图像素坐标下的轴对齐编辑框。模型拿到图片和目标后，需要在原位置重绘这些区域，因此这个基准既衡量目标文字是否被正确、完整地生成，也衡量编辑区域之外的画面是否被完整保留。

test split 包含 960 张图片和 2,357 个目标区域。

数据集配置

images

test split 共 960 行：

• image_id：图片标识，同时也是标注行中引用的样本名。
• image：内嵌的 RGB PNG 图片，与源文件逐字节一致。
• image_path：规范的相对路径，images/<image_id>.png。
• width、height：图片尺寸。

annotations

test split 共 2,357 行，每个目标区域一行：

• sample_id：目标级别的唯一标识，<image_id>-<item_index>。
• image_id：指向 images 配置的外键。
• image_path：规范的相对图片路径。
• item_index：该目标在所属图片内的序号，按标注顺序排列。
• text：该区域应包含的文字。
• box：原图像素坐标下的四个多边形角点 [x, y]。
• rect：原图像素坐标下的轴对齐裁剪框 [x0, y0, x1, y1]。
• annotation_status：该图片目标的标注来源，取值为 existing_human_annotation（167 张）或 reviewed_miner_proposals（793 张）。

两个配置通过 image_id 关联。

加载

from datasets import load_dataset

images = load_dataset(
    "parquet",
    data_files={"test": "data/images/test-00000-of-00001.parquet"},
    split="test",
)
annotations = load_dataset(
    "parquet",
    data_files={"test": "data/annotations/test-00000-of-00001.parquet"},
    split="test",
)

按 image_id 分组标注行，即可还原每张图片按顺序排列的目标列表。

运行修复模型

每条标注行对应一次编辑请求。使用 PixText 推理接口时，单张图片的目标可直接转成编辑列表：

from pixtext import PixTextPipeline, TextEdit

pipeline = PixTextPipeline.from_pretrained("models/PixText-MeanFlow")
edits = [TextEdit(bbox=tuple(row["rect"]), text=row["text"]) for row in image_rows]
result = pipeline.edit("images/sample_000001.png", edits=edits, seed=42)

编辑框使用原图像素坐标，采用左闭右开的区间；目标按标注顺序处理。评测要求实际编辑范围之外的像素保持完全一致，因此区域外的像素保留情况也是评测的一部分。

许可

本基准的图片与标注以 Apache License 2.0 发布，见 LICENSE。