Adnank1998/TactileEval

TactileEval数据集将触觉图形质量分解为五个与BANA对齐的质量维度（视图、部件、背景、纹理、线条质量），涵盖六个对象家族，形成30个任务家族和14,095个选项级注释。每条记录对应一个自然照片/触觉绘图对和一个特定的质量选项，包含多数投票标签、投票计数和来源元数据。

TactileEval decomposes tactile-graphic quality into five BANA-aligned quality dimensions (view, parts, background, texture, line quality) across six object families, yielding 30 task families and 14,095 option-level annotations. Each record corresponds to a natural photo / tactile drawing pair and a specific quality option with majority-vote label, vote counts, and provenance metadata.

搜集汇总

数据集介绍

构建方式

TactileEval数据集旨在系统评估触觉图形的质量，其构建过程严谨而精细。研究团队将触觉图形的质量解构为五个与BANA标准对齐的维度，即视图、部件、背景、纹理和线条质量。他们选取了六个物体家族，从而衍生出30个任务家族，并最终形成了14,095个选项级别的标注记录。每条记录均包含一张自然照片与对应的触觉图形绘制的配对，并附有每个质量选项的多数投票标签、投票计数及出处元数据，确保了标注的可靠性与可追溯性。

使用方法

研究者可通过Hugging Face的`datasets`库便捷地加载TactileEval数据集。使用`load_dataset`函数，指定配置名称即可获取不同子集，例如`full`用于加载全部家族数据，或`family_f1`至`family_f6`用于加载特定家族的数据。加载后的数据集实例可直接按索引访问，其中`natural_image`和`tactile_image`字段提供了图像文件的相对路径，用户需结合本地数据集根目录路径即可加载对应的图像文件。数据集已预划分为训练、验证和测试集，方便直接用于模型训练与评估。

背景与挑战

背景概述

触觉图形作为视觉信息的替代媒介，在视障人士的认知与教育中扮演着关键角色，然而其质量评估长期依赖人工专家，缺乏系统化、可量化的标准。TactileEval数据集由Adnan Khan、Abbas Akkasi与Majid Komeili于2026年提出，隶属于卡尔顿大学智能机器实验室，旨在填补该领域的自动化评估空白。该数据集创新性地将触觉图形质量分解为视图、部件、背景、纹理与线条质量五大维度，覆盖六类物体家族，构建了30个任务系列与超过1.4万条选项级标注。通过引入多数投票机制与细粒度语义描述，TactileEval为触觉图形生成与编辑提供了首个大规模、多维度基准，推动了计算机视觉与辅助技术交叉领域的研究进展。

当前挑战

TactileEval所解决的领域问题在于触觉图形评估长期缺乏客观、可复现的自动化标准，传统方法依赖人工主观判断，效率低下且难以规模化，这阻碍了触觉图形生成技术的实际部署与质量保障。在数据集构建过程中，面临的挑战包括：如何设计出既符合BANA触觉指南又具有可操作性的多维度质量分解体系，确保覆盖触觉图形的核心感知属性；在标注环节，需要协调大量标注者对抗主观偏差，通过多数投票与投票分数统计保证标签可靠性；此外，不同物体家族间的形态与纹理差异巨大，需构造跨家族一致性拆分策略以避免任务偏差，同时维护各子集样本分布的均衡性。

常用场景

经典使用场景

TactileEval数据集旨在推动触觉图形质量评估的自动化进程，其经典使用场景聚焦于触觉图像生成与评估的交叉领域。该数据集将触觉图形质量分解为视图、部件、背景、纹理和线条五个维度，覆盖六类物体家族，形成30个任务族。研究者可利用该数据集训练多模态模型，对触觉图形的各项质量指标进行自动化的细粒度评分，从而替代传统的人工评估流程，为触觉图形生成系统提供高效的反馈与优化依据。

解决学术问题

该数据集系统性地解决了触觉图形自动化质量评估中缺少标准化基准的学术困境。此前，触觉图形的质量判定长期依赖主观人工筛选，缺乏可量化的多维评价体系。TactileEval通过BANA对齐的维度定义和超过14000条选项级标注，为研究者提供了首个大规模、多粒度的触觉图形质量评估基准，促进了计算机视觉与辅助技术交叉领域的量化研究，使触觉图形的质量缺陷检测、细粒度分类等学术问题得以在统一框架下进行系统探索与比较。

实际应用

在实际应用中，TactileEval为视障辅助技术的开发提供了关键支撑。基于该数据集训练的质量评估模型可集成至触觉图形编辑软件或自动生成平台中，实时检测并反馈触觉图形在纹理清晰度、线条粗细、部件完整性等方面的缺陷。这有助于教育机构、无障碍内容创作者高效生产高质量触觉教材和地图，显著降低人力审校成本，加速视障人士获取可感知图形信息的速度，从而提升其在教育、出行和日常生活场景中的信息可及性。

数据集最近研究

最新研究方向

当前，TactileEval数据集的发布标志着触觉图形质量评估领域迈入了自动化细粒度评价的新纪元。该数据集创新性地将触觉图形质量解构为与BANA标准对齐的五个核心维度，覆盖六类物体家族，提供了逾一万四千条选项级标注，为构建可量化的触觉图形生成与编辑模型奠定了坚实的数据基础。在生成式AI与辅助技术交叉的前沿，TactileEval不仅推动了视障人士可访问图形内容的标准化评估，更开启了以机器学习自动优化触觉图形设计的研究方向，成为连接计算机视觉与包容性设计的重要桥梁。