MultiBanana：多参考文本到图像生成的挑战性基准
计算机视觉与模式识别
2026-03-27 v2
摘要
近期文本到图像生成模型已具备多参考生成与编辑能力，即能够从多个参考图像中继承主体外观并在新情境中重新渲染。然而，现有基准数据集常聚焦于单一或少数参考图像的生成，无法衡量模型在大量参考图像指导下的性能或识别其弱点。此外，其任务定义仍模糊，仅限于'编辑什么'或'给定多少个参考图像'等维度，未能捕捉组合异构参考图像固有的挑战。为填补这一空白，我们引入MultiBanana，通过广泛覆盖多参考场景中特有的难题来评估模型能力边界：(1) varying the number of references（最多可达8个），(2) references之间领域不匹配（如照片与动漫），(3) reference与目标场景之间的尺度不匹配，(4) references包含稀有概念（如红香蕉），(5) 多语言文本参考用于渲染。我们在多种文本到图像模型中进行分析，揭示其各自的性能、典型失效模式及改进方向。MultiBanana以开放基准形式发布，以推动边界拓展并建立公平比较的标准化基础。我们的数据与代码已在 https://github.com/matsuolab/multibanana 上提供。
引用
@article{arxiv.2511.22989,
title = {MultiBanana: A Challenging Benchmark for Multi-Reference Text-to-Image Generation},
author = {Yuta Oshima and Daiki Miyake and Kohsei Matsutani and Yusuke Iwasawa and Masahiro Suzuki and Yutaka Matsuo and Hiroki Furuta},
journal= {arXiv preprint arXiv:2511.22989},
year = {2026}
}
备注
Accepted to CVPR2026