摘要
电子文档中的近重复图表检测极具挑战性，因为图表的身份取决于图形结构、空间构图和文本标签，而复用的图像可能会经历压缩、裁剪、旋转、光度变化或透视扭曲。本研究提出了一种级联多模态框架，结合了感知哈希、18层孪生残差网络（Siamese ResNet18）、无标签蒸馏（DINOv2）视觉表示以及文本相似度分类器。该研究基于人工智能二维图表数据集（AI2D）构建了受控基准，采用轻度、中度和困难变换，并按 base_id 进行源分组拆分，以防止训练集、验证集和测试集之间的数据泄露。感知哈希达到了受试者工作特征曲线下面积（ROC-AUC）= 0.7483，而孪生ResNet18将ROC-AUC提升至0.8599。DINOv2提供了最强的视觉性能，达到准确率 = 0.9933、F1分数 = 0.9933、ROC-AUC = 0.9992、平均精度 = 0.9994；对于困难变换，F1分数仍保持在0.9901。视觉融合将ROC-AUC提升至0.9995，完整的多模态融合达到ROC-AUC = 0.9998。在早退出阈值为0.95的情况下，27.6%的配对在哈希层面即可被解决。这些结果支持了在所构建的AI2D衍生基准上采用由粗到精的设计。针对困难负样本的压力测试显示，在故意匹配的空间布局下，假阳性率显著更高，DINOv2的整体假阳性率（FPR）为0.48，而完整的多模态融合为0.16。对于自然复用或重绘的图表、更大且更多样的困难负样本集合以及基于光学字符识别（OCR）的文本的泛化能力仍有待评估。
