DALL-E 3不到50%，SDXL仅24.92%！各大SOTA文生图模型为啥这么难符合常识？

文章预览

作者： Xingyu Fu 等     解读： AI生成未来    论文链接：https://arxiv.org/pdf/2406.07546 项目链接：https://zeyofu.github.io/CommonsenseT2I/ 亮点直击 1.本文提出了一个高质量的专家标注基准，用于评估文本到图像生成中所需的常识推理能力。 2.本文提出了一种使用多模态LLMs进行自动评估的流水线，并展示它与人类评估高度相关。 3.本文在Commonsense-T2I上对多种T2I模型进行了基准测试，并显示目前所有模型与人类水平的智能之间仍然存在巨大差距，并提供了详细的分析。 本文提出了一个新颖的任务和基准，用于评估文本到图像（T2I）生成模型在产生符合现实生活常识的图像方面的能力，称为Commonsense-T2I。 给定两个包含相同动作词汇但略有不同的对抗性文本提示，例如“一个没有电的灯泡” vs. “一个有电的灯泡”，本文评估T2I模型是否能进行视觉常识推理，例如 ………………………………