摘要

视觉问答（Visual Question Answering, VQA）任务在通用领域的真实世界图像上已得到广泛研究。然而，将通用领域VQA的成果迁移到艺术领域（ArtVQA）并非易事，因为艺术领域要求模型能够识别抽象概念、捕捉绘画中的笔触细节与艺术风格，并具备相关的艺术背景知识。这一挑战因高质量数据集的缺乏而进一步加剧。在本研究中，我们揭示了目前唯一公开可用的ArtVQA基准数据集——AQUA数据集中存在的隐性语言偏差。结果表明，绝大多数问题无需依赖视觉信息即可作答，导致ArtVQA中的“V”（视觉）成分形同虚设。为应对这一问题，我们基于SemArt数据集中的结构化信息，构建了一个简洁而实用的新数据集ArtQuest。本文所提出的数据集及复现结果的完整流程均已公开，可访问 https://github.com/bletib/artquest 获取。