Hanfu-Bench : Un benchmark multimodal pour la compréhension et la transcréation culturelles trans-temporelles
Hanfu-Bench: A Multimodal Benchmark on Cross-Temporal Cultural Understanding and Transcreation
June 2, 2025
Auteurs: Li Zhou, Lutong Yu, Dongchu Xie, Shaohuan Cheng, Wenyan Li, Haizhou Li
cs.AI
Résumé
La culture est un domaine riche et dynamique qui évolue à la fois dans l'espace et dans le temps. Cependant, les études existantes sur la compréhension culturelle à l'aide de modèles vision-langage (VLMs) mettent principalement l'accent sur la diversité géographique, négligeant souvent les dimensions temporelles critiques. Pour combler cette lacune, nous introduisons Hanfu-Bench, un nouvel ensemble de données multimodales expertisé. Le Hanfu, un vêtement traditionnel traversant les dynasties chinoises anciennes, sert de patrimoine culturel représentatif qui reflète les aspects temporels profonds de la culture chinoise tout en restant très populaire dans la société contemporaine chinoise. Hanfu-Bench comprend deux tâches principales : la compréhension visuelle culturelle et la transcréation d'images culturelles. La première tâche examine la reconnaissance des caractéristiques culturelles temporelles basée sur des entrées d'image unique ou multiple à travers des questions à choix multiples en réponse visuelle, tandis que la seconde se concentre sur la transformation des tenues traditionnelles en designs modernes à travers l'héritage d'éléments culturels et l'adaptation au contexte moderne. Notre évaluation montre que les VLMs fermés performent de manière comparable aux non-experts en compréhension visuelle culturelle mais sont en retard de 10 % par rapport aux experts humains, tandis que les VLMs ouverts sont encore plus en retard par rapport aux non-experts. Pour la tâche de transcréation, une évaluation humaine multidimensionnelle indique que le meilleur modèle n'atteint qu'un taux de réussite de 42 %. Notre benchmark fournit un banc d'essai essentiel, révélant des défis significatifs dans cette nouvelle direction de compréhension culturelle temporelle et d'adaptation créative.
English
Culture is a rich and dynamic domain that evolves across both geography and
time. However, existing studies on cultural understanding with vision-language
models (VLMs) primarily emphasize geographic diversity, often overlooking the
critical temporal dimensions. To bridge this gap, we introduce Hanfu-Bench, a
novel, expert-curated multimodal dataset. Hanfu, a traditional garment spanning
ancient Chinese dynasties, serves as a representative cultural heritage that
reflects the profound temporal aspects of Chinese culture while remaining
highly popular in Chinese contemporary society. Hanfu-Bench comprises two core
tasks: cultural visual understanding and cultural image transcreation.The
former task examines temporal-cultural feature recognition based on single- or
multi-image inputs through multiple-choice visual question answering, while the
latter focuses on transforming traditional attire into modern designs through
cultural element inheritance and modern context adaptation. Our evaluation
shows that closed VLMs perform comparably to non-experts on visual cutural
understanding but fall short by 10\% to human experts, while open VLMs lags
further behind non-experts. For the transcreation task, multi-faceted human
evaluation indicates that the best-performing model achieves a success rate of
only 42\%. Our benchmark provides an essential testbed, revealing significant
challenges in this new direction of temporal cultural understanding and
creative adaptation.