GlazyBench: A Benchmark for Ceramic Glaze Property Prediction and Image Generation

📄 arXiv: 2605.06641v1 📥 PDF

作者: Ziyu Zhai, Siyou Li, Juexi Shao, Juntao Yu

分类: cs.AI, cs.CV

发布日期: 2026-05-07

💡 一句话要点

GlazyBench：用于陶瓷釉料属性预测与图像生成的基准数据集

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 陶瓷釉料 数据集 属性预测 图像生成 机器学习 深度学习 多模态学习

📋 核心要点

  1. 陶瓷釉料开发依赖试错，成本高昂，缺乏大规模数据集支持AI模型训练。
  2. GlazyBench数据集包含大量真实釉料配方，支持属性预测和图像生成任务。
  3. 论文建立了属性预测和图像生成的基线模型，为后续研究提供参考。

📝 摘要（中文）

由于复杂的化学成分，陶瓷釉料的开发是一个昂贵且耗时的试错过程，给独立艺术家带来了巨大的负担。尽管多模态人工智能的最新进展提供了一种现代解决方案，但该领域缺乏训练这些模型所需的大规模数据集。我们提出了GlazyBench，这是第一个用于人工智能辅助釉料设计的数据集。GlazyBench包含23,148个真实的釉料配方，支持两个主要任务：从原材料预测烧制后的表面属性（如颜色和透明度），以及基于这些属性生成釉料的精确视觉表示。我们使用传统机器学习和大型语言模型为属性预测建立了全面的基线，同时使用深度生成模型和大型多模态模型建立了图像生成基准。我们的实验展示了有希望但具有挑战性的结果。GlazyBench开创了人工智能辅助材料设计的新研究方向，为系统评估提供了一个标准化的基准。

🔬 方法详解

问题定义：论文旨在解决陶瓷釉料设计中依赖传统试错方法导致的高成本和耗时问题。现有方法缺乏大规模数据集的支持，难以利用人工智能技术进行辅助设计，特别是无法实现从原材料到釉料属性的预测以及釉料视觉效果的生成。

核心思路：论文的核心思路是构建一个大规模的陶瓷釉料数据集GlazyBench，该数据集包含釉料配方及其对应的表面属性和视觉效果。通过这个数据集，可以训练机器学习和深度学习模型，实现釉料属性的预测和图像生成，从而减少试错成本，加速釉料设计过程。

技术框架：GlazyBench数据集包含23,148个真实的釉料配方，每个配方包含原材料信息和烧制后的表面属性（如颜色、透明度等）。论文基于该数据集，建立了两个主要任务的基线模型：1) 属性预测：使用传统机器学习模型（如支持向量机、随机森林）和大型语言模型（如BERT）进行釉料表面属性的预测；2) 图像生成：使用深度生成模型（如GAN、VAE）和大型多模态模型（如Stable Diffusion）生成釉料的视觉表示。

关键创新：该论文的关键创新在于构建了首个用于人工智能辅助釉料设计的大规模数据集GlazyBench。该数据集的规模和质量为后续研究提供了坚实的基础，使得利用人工智能技术进行釉料设计成为可能。此外，论文还建立了属性预测和图像生成的基线模型，为后续研究提供了参考。

关键设计：在属性预测任务中，论文尝试了不同的机器学习模型和大型语言模型，并对模型的参数进行了优化。在图像生成任务中，论文使用了GAN、VAE等深度生成模型，并探索了不同的网络结构和损失函数。此外，论文还使用了大型多模态模型，并针对釉料图像的特点进行了微调。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文构建了包含23,148个釉料配方的大规模数据集GlazyBench，并基于该数据集建立了属性预测和图像生成的基线模型。实验结果表明，传统机器学习模型和大型语言模型在属性预测任务上表现出一定的潜力，深度生成模型和大型多模态模型在图像生成任务上取得了初步成果。虽然结果仍有提升空间，但GlazyBench为AI辅助釉料设计开辟了新的研究方向。

🎯 应用场景

GlazyBench数据集和相关研究成果可应用于陶瓷材料设计、艺术创作、工业生产等领域。通过AI辅助，可以降低釉料开发成本，缩短开发周期，并为艺术家提供新的创作灵感。未来，该研究有望推动陶瓷材料领域的智能化发展，实现更高效、更环保的材料设计。

📄 摘要（原文）

Developing ceramic glazes is a costly, time-consuming process of trial and error due to complex chemistry, placing a significant burden on independent artists. While recent advances in multimodal AI offer a modern solution, the field lacks the large-scale datasets required to train these models. We propose GlazyBench, the first dataset for AI-assisted glaze design. Comprising 23,148 real glaze formulations, GlazyBench supports two primary tasks: predicting post-firing surface properties, such as color and transparency, from raw materials, and generating accurate visual representations of the glaze based on these properties. We establish comprehensive baselines for property prediction using traditional machine learning and large language models, alongside image generation benchmarks using deep generative and large multimodal models. Our experiments demonstrate promising yet challenging results. GlazyBench pioneers a new research direction in AI-assisted material design, providing a standardized benchmark for systematic evaluation.