동료 검토(peer review)에서의 과학적 도표(scientific figure) 평가는 일반적인 이미지 품질 평가와 근본적으로 다릅니다. 도표는 시각적으로 읽기 쉬워야 하며, 원고의 주장을 충실히 뒷받침해야 하고, 명확한 시각적 계층 구조를 통해 증거를 전달해야 합니다. 그러나 전통적인 이미지 평가 방법을 과학적 도표 품질 평가에 적용하면 다음과 같은 한계가 나타납니다. 기존의 IQA(Image Quality Assessment) 모델은 지각적 품질이나 미학을 포착하지만, 도표가 논문의 과학적 논거에 부합하는지는 판단할 수 없습니다. CLIP 기반 방식은 일반적인 이미지-텍스트 대응 관계를 평가하지만, 원고의 맥락에 대한 이해가 부족합니다. 또한, 제로샷(zero-shot) LLM/VLM 판정기를 도표 점수 산정에 용도 변경하여 사용할 경우, 시각적 증거와 텍스트 증거의 융합이 제한되어 점수가 지나치게 집중되는 경향이 있습니다.

본 연구에서는 동료 검토를 거친 컨퍼런스 논문에서 추출한 3,857개의 과학적 도표로 구성된 주석 데이터셋을 소개합니다. 각 도표는 동료 검토 지향적인 네 가지 차원인 명확성(Clarity), 관련성(Relevance), 정보성(Informativeness), 구조(Structure)를 기준으로 평가되었습니다. 우리는 도표 품질 평가를 원고의 증거에 기반하도록 하는 미세 조정된(fine-tuned) 멀티모달 점수 산정 모델인 SciFigAlign을 제안합니다. 도표 크롭(crop) 이미지, 캡션(caption), 인용 문단, 그리고 가벼운 논문 맥락이 주어지면, SciFigAlign은 CLIP과 SciBERT를 모달리티별 교차 주의 집중(per-modality cross-attention) 및 CubeMLP 융합을 통해 엔드투엔드(end-to-end)로 미세 조정하며, SmoothL1 회귀와 논문 내 순위 힌지 손실(within-paper ranking hinge loss)을 공동으로 최적화합니다.

논문 단위 분할(paper-level splits) 하에서, SciFigAlign은 n = 396인 테스트 세트에서 0.3524의 macro MAE와 81.64%의 논문 내 쌍별 정확도(within-paper pairwise accuracy)를 달립하였으며, 이는 MAE 0.864를 기록한 최상의 LLM-as-judge 베이스라인 대비 상대 오차를 59% 감소시킨 수치입니다. 절제 연구(Ablation study)를 통해 원고에 기반한 입력, 인용 맥락의 노이즈 제거(denoising), 그리고 순위 감독(ranking supervision)이 모두 핵심적임을 확인하였으며, 이는 과학적 도표 평가가 최첨단 VLM을 사용한 프롬프팅(prompting)만으로는 부족하며, 시각적 콘텐츠와 원고 증거 사이의 학습된 정렬(alignment)이 필요함을 보여줍니다.