MSD-Score：用于无参考图像字幕评估的多尺度分布式评分
计算机视觉与模式识别
2026-05-08 v1
摘要
在无参考情况下评估图像字幕仍具有挑战性，因为全局嵌入相似度常常忽略细粒度的不匹配，如幻觉对象、缺失属性或错误关系。我们提出MSD-Score，一种无参考指标，将图像块和文本标记的嵌入建模为单位超球面上的von Mises-Fisher混合分布。MSD-Score将每个模态不再视为单个点，而是将图像-文本匹配建模为多尺度分布式评分问题。通过加权双向KL散度量化语义差异，并在多尺度框架中与全局相似度结合，用于单候选和多候选评估。大量实验表明，MSD-Score在无参考指标中实现了与人类判断的最高相关性。除准确性外，其概率化表述还产生透明且可分解的局部 grounding 错误诊断，为整体相似度指标和基于判决的评估器提供确定性的互补信号。
引用
@article{arxiv.2605.06080,
title = {MSD-Score: Multi-Scale Distributional Scoring for Reference-Free Image Caption Evaluation},
author = {Shichao Kan and Xuyang Zhang and Haojie Zhang and Zhe Zhu and Yigang Cen and Yixiong Liang and Lianlei Shan and Linna Zhang and Zhe Qu and Jiazhi Xia},
journal= {arXiv preprint arXiv:2605.06080},
year = {2026}
}
备注
Preprint. 17 pages, 10 figures. Code is available at: https://steinsgatesg.github.io/MSDScore/