超越过度校正：使用 DivBench 评估 T2I 模型的多样性
计算与语言
2025-07-11 v2 计算机与社会
机器学习
摘要
当前的文本到图像(T2I)模型多样化策略往往忽视语境适宜性,导致过度多样化——即使提示中已明确指定人口学属性,这些属性仍会被修改。本文提出了 DIVBENCH,一个用于衡量 T2I 生成中欠多样化与过度多样化的基准与评估框架。通过对多个最先进的 T2I 模型进行系统评估,我们发现,尽管大多数模型的多样性有限,但许多多样化方法会通过不当修改语境中明确指定的属性而过度校正。我们证明,语境感知方法——尤其是由 LLM 引导的 FairDiffusion 与提示重写——已能有效解决欠多样化问题,同时避免过度多样化,在表征多样性与语义保真度之间取得更好的平衡。
引用
@article{arxiv.2507.03015,
title = {Beyond Overcorrection: Evaluating Diversity in T2I Models with DivBench},
author = {Felix Friedrich and Thiemo Ganesha Welsch and Manuel Brack and Patrick Schramowski and Kristian Kersting},
journal= {arXiv preprint arXiv:2507.03015},
year = {2025}
}