GeoDiv：测量文本到图像模型中地理多样性的框架
计算机视觉与模式识别
2026-02-26 v1
摘要
文本到图像（T2I）模型正快速流行，但其输出常常缺乏地理多样性、强化刻板印象并误表述地区。鉴于其广泛的覆盖范围，严格评估这些模型如何描绘世界至关重要。现有的多样性指标要么依赖精选数据集，要么仅关注表层视觉相似性，限制了可解释性。我们引入 GeoDiv，一个利用大型语言模型和视觉语言模型评估地理多样性的框架，通过两个互补的轴向进行评估：社会经济视觉指数（SEVI），捕捉经济和条件相关线索；视觉多样性指数（VDI），衡量主要实体和背景的变化。应用于来自 Stable Diffusion 和 FLUX.1-dev 等模型生成的图像，跨 个实体和 个国家，GeoDiv 揭示了持续的多样性不足，并识别了模型默认偏向刻板描绘的细粒度属性。令人惊讶的是，像印度、尼日利亚和哥伦比亚等国家的描绘不成比例地贫困且朴素，反映了潜在的社会经济偏见。这些结果凸显了生成模型中需要更大的地理细微差异。GeoDiv 为衡量此类偏见提供了首个系统、可解释的框架，标志着通往更公平更包容生成系统的一步。项目页面：https://abhipsabasu.github.io/geodiv
引用
@article{arxiv.2602.22120,
title = {GeoDiv: Framework For Measuring Geographical Diversity In Text-To-Image Models},
author = {Abhipsa Basu and Mohana Singh and Shashank Agnihotri and Margret Keuper and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2602.22120},
year = {2026}
}
备注
ICLR 2026