折线图逆向工程：LinePilot 把文献图片变回可计算数据，但全自动模式六成结果不可信

💡 一句话总结：做光谱、振动、ECG 分析的人经常遇到「定量证据只存在于一张折线图图片里」的绝望。LinePilot 把「图→数据」拆成标定与恢复两阶段，标定做成三档可插拔（人工点选 / 自动精修 / OCR 全自动），恢复环节一次做好；配套的 DigitizerBench 是首个用正交表构造的端到端数字化基准。实测：全自动可信率只有 38.2%，但人工给几个锚点后精度追平商业工具、采样密度翻倍。

场景你一定见过：文献里那张关键折线图，作者联系不上、数据不共享，你只能拿尺子在屏幕上比划。光谱学的峰位、机械振动的频谱、心电图的波形——大量定量科学证据处于「人眼可见、机器难用」的状态。

数字化器就是干这个的，但它比看上去难：要把像素映射回数据坐标，标定和曲线恢复两件事都得对，而两者都会被图的多样性破坏——噪声、重叠曲线、低分辨率、模糊、渲染风格各异。更阴险的是，数字化器的失败是「静默」的：错误的标定产生的是系统性偏移的曲线，看起来一切正常。

想自己试试？资源在这：

• 📄 论文 · arXiv 2609.19377

🎯 核心设计：标定可插拔，恢复只做一次

LinePilot 是来自光谱开源生态 SpectraGuru 团队的两阶段数字化器。设计上的关键洞察是一句话：标定误差会传播到恢复出的每一个点——所以把标定做成可替换的前端，把恢复流程做成唯一的后端：

• standard：操作者直接点标定点，精度完全取决于人；
• enhanced：在点击附近搜索刻度/轴线笔画，用局部图像强度精修中心。防错规则很克制——只在图像提供支持证据时才修正你的点击，位移过大就保留原输入，绝不在没把握时静默篡改人的判断；
• OCR：全自动。Tesseract + RapidOCR 读轴标签，合并邻近读数、拒绝不一致读数，用相距最远的一对「标签-刻度」做锚点（对定位误差最不敏感）；建立不了端点就明确报告失败。

恢复后端则是一条带惩罚的最短路径：按列聚合目标颜色的像素段，动态规划跨列连接——奖励持续支持与笔画厚度，惩罚垂直跳变与间隙。最有性格的是输出契约：只导出图像中有支撑的点，缺失的列宁可留缺口也不插值填补。对要进入下游统计的科学数据来说，一个诚实的缺口远好过一个被平滑伪造的曲线。

📊 基准与指标：把「失败」记满分

评测数字化器一直有个指标陷阱：「成功率内的误差」会把失败样本悄悄扔掉。DigitizerBench 的 FPC-NRMSE 反其道而行：缺席、结构不可用、全跨度误差，一律记 1 分满额损失，配合可信可用率 TU（要求线数正确、至少 20 个点、覆盖率 ≥0.8）。基准本身用 4 张 strength-3 正交表在 18 个信号/渲染因子上做平衡覆盖——\(5^{18}\) 的组合空间被压成 2500 张核心图 + 480 张桥接图，这是统计实验设计在基准构造上的一次漂亮落地。

成绩单（FPC-NRMSE 越低越好）：

设置	方法	FPC-NRMSE ↓	可信可用率 TU ↑
全自动（2980 图）	ChartOCR	0.953	5.37%
全自动	LineEX	0.997	0.369%
全自动	LinePilot (OCR)	0.672	38.2%
人工引导（60 图）	PlotDigitizer Pro	0.097	91.7%
人工引导	LinePilot (enhanced)	0.081	93.3%

三个读数：自动基线近乎崩溃（LineEX 的 0.369% 意味着 2980 张图里只有约 11 张可信）；LinePilot 自动模式最好但也没解决——六成结果仍不可信；人工引导下 enhanced 与商业工具同档，但每条线 1026 个采样点是对家的两倍多，对峰位匹配这类密集采样需求是实质优势。

因子分析还有个反直觉发现：影响自动恢复精度的最大因子是图宽、DPI、渲染器这些「图像呈现」变量，而信号噪声、曲线形状复杂度基本不显著。翻译一下：曲线再复杂，渲染清楚就能恢复；图一窄、分辨率一低，神仙也难救。工程优先级应该砸在分辨率感知的预处理上，而不是更复杂的曲线模型。

🧊 用之前想清楚：证据边界比标题窄

这篇是扎实的工程基准论文，但结论适用范围要打折：

• 全合成、纯线性轴：对数轴、双轴、图例压线、扫描件、Excel/MATLAB 渲染——这些真实文献的主流形态统统没测，三渲染器全是编程出图；
• 自动/人工两套数字不可直接比较：0.672 与 0.081 来自完全不同的图像集，且该指标混合了失败率与精度，差距主要反映的是可信率（38.2% vs 93.3%）而非恢复精度；
• 同色重叠曲线原理上无法区分（恢复按颜色逐一选路径），OCR 标定的「横轴标签在刻度下方」是排版假设。

🤔 那这篇能带走什么？

• 要选数字化工具的：LinePilot (enhanced) 在「给几个锚点」前提下精度同级、密度翻倍，是目前最扎实的选项；全自动模式按「六成需人工兜底」设定期望；
• 做提取式管线的：FPC-NRMSE 的「失败记满分」构造 + 「失败率 × 成功内误差」分开报告的思路，适用于任何信息提取任务的评测设计；
• 所有人：记住那条输出契约——宁可留缺口，不伪造数据。以及，「说不知道」的自动系统比「总产出点什么」的自动系统工程价值高得多，LinePilot OCR 模式失败即报告的设计值得抄。

折线图数字化的全自动时代还没到，但这份带实验设计的基准，至少让「下一代工具好了多少」第一次变得可度量。