通过属性条件人类评估评估图像生成中的多样性基准
计算机视觉与模式识别
2025-11-14 v1 机器学习
摘要
尽管生成质量取得了进步，当前的文本到图像（T2I）模型常缺乏多样性，生成的输出往往高度同质。本工作引入一个框架，以解决 T2I 模型多样性评估的需求。该框架通过评估单个概念及其相关变体因素，系统性地评估多样性。关键贡献包括：(1) 一种用于细致多样性评估的新型人类评估模板；(2) 一个覆盖多样概念及其识别变体因素（如提示词：一个苹果，变体因素：颜色）的精选提示集；(3) 一种用于通过二项检验比较模型人类标注的 methodology。此外，我们严格比较 various 图像嵌入在多样性测量中的表现。值得注意的是，我们的原则方法使我们能够对 T2I 模型进行多样性排序，识别其在特定类别上特别难以应对的领域。该研究提供了稳健的 methodology 与洞见，为 T2I 模型多样性的提升与指标开发铺平了道路。
引用
@article{arxiv.2511.10547,
title = {Benchmarking Diversity in Image Generation via Attribute-Conditional Human Evaluation},
author = {Isabela Albuquerque and Ira Ktena and Olivia Wiles and Ivana Kajić and Amal Rannen-Triki and Cristina Vasconcelos and Aida Nematzadeh},
journal= {arXiv preprint arXiv:2511.10547},
year = {2025}
}