面對層出不窮的圖像生成技術，一個新問題擺在眼前：

缺乏統一標準來衡量這些生成的圖片是否符合人們的喜好

對此，來自清華、西交大、伊利諾伊厄巴納-香檳分校、中科院、曠視的研究人員共同推出了一項新基準DreamBench++。

通過收集不同的圖像和提示，團隊利用GPT-4o實現了符合人類偏好的自動評估。

簡單來說，通過精心設計prompt以及引入思維鏈提示和情境學習，團隊讓GPT-4o在圖像評估過程中學會了像人類一樣思考，并展現其思考過程。

為了測試效果，團隊以7名專業人類標注員的打分為基準，對7種不同的圖像生成方法進行了評估。

結果顯示DreamBench++與人類評價高度一致。

更多細節接下來一起瞅瞅~

什么是DreamBench++？

DreamBench++是一個全新的評估工具，它在個性化圖像評估領域實現了兩項關鍵技術突破。

• 引入支持多模態的GPT-4o，同時實現與人類偏好的深度對齊以及自動化評估
• 推出了一個更為全面和多元化的數據集

與人類對齊的自動化評估

盡管GPT-4o支持多模態輸入，但在保留評估中的細微差異時面臨挑戰。

在評價不同方法的個性化效果時，研究人員選擇直接打分而非對比，因為對比可能會受到不同方法生成的圖像順序的影響，而且兩兩對比需要更長的標注時間。

為了確保評估的準確性和一致性，研究人員設計了包含以下要素的prompt：

• 任務描述，明確評估的目標和要求。
• 評分標準解釋，詳細說明評估的依據。
• 評分范圍定義，設定評分的量化標準。
• 格式規范，確保評分的統一性和可比性。

評分規則涵蓋了形狀、顏色、紋理以及面部細節（特別針對人和動物），以全面評估圖像的個性化效果。

最后，為了收集無偏的人類偏好數據，研究團隊招募了7名經過專業培訓、充分理解個性化任務的人類標注員。他們的標注結果被用作人類打分的基準，以確保評估結果的客觀性和可靠性。

更全面的個性化數據集

為了確保評估過程的公正性和無歧視性，DreamBench++的研究人員構建了一個新的個性化數據集。

這一數據集的構建過程涵蓋了以下幾個關鍵步驟：

1. 獲取主題關鍵詞：團隊挑選以及生成了一系列可用于個性化生成的主體名稱，如貓、鐘表、男人等，共200個關鍵詞，分為物體（objects）、活物（living objects)，以及風格化圖片（style）三種類型。
2. 圖片收集：收集來源包含Unsplash, Rawpixel和Google Image Search。接著，從這些圖片中挑選了背景干凈、主體占比大的圖片，以確保圖像的清晰度和識別度。
3. prompt生成：引導GPT-4o生成不同復雜程度的prompt。這些prompt的復雜性與生成任務的難度相對應，即越復雜的prompt對應越具有挑戰性的生成任務。

實驗結果

在DreamBench++平臺上，研究團隊對7種不同的圖像生成方法進行了評估。

這些方法涵蓋了基于訓練的、無需訓練的，以及基于多模態大語言模型（MLLM）的多種方案。

評估結果顯示：

在圖像相似性方面，DINO-I和CLIP-I（現有的圖像自動評估指標）的評分往往高于人類的評價。

而在文本遵循方面，CLIP-T的評分則相對較低。

相比之下，GPT-4o在這兩方面的評分均更接近人類的打分。

團隊推測上述結果背后的原因是，GPT-4o和人類評價者都會綜合考慮多個視覺元素，如形狀、輪廓、紋理，以及人或動物的面部細節等，最終給出一個綜合性的評分。

這種評價方式更符合人類的直覺和偏好，因為它不僅僅關注單一的方面，而是全面地評估圖像的各個方面。

此外，團隊還對不同圖像生成方法在DreamBench++上的生成結果進行了可視化展示。

在評估圖像生成結果的保持主體情況時，DreamBench++與人類評估者達到了79.64%的一致性。

在遵循文本指令生成圖像的能力方面，DreamBench++的一致性高達93.18%。

從數據來看，DreamBench++的人類一致性比DINO score高出54.1%，比CLIP score高出50.7%。

這也側面說明，通過設計prompt，能夠讓GPT-4o較為準確地捕捉和反映人類的審美和偏好。

另外，Dreambench++的數據集多樣性更高，與DreamBench相比，finetune-based方法在DreamBench++上的表現會下降。

團隊推測這可能是因為他們在DreamBench上調整了參數，而DreamBench的種類并不全面。

同時，Emu2在非自然或復雜圖像上的表現也會下降。

這些都說明DreamBench++更全面的數據集暴露了已有的個性化方法中的新問題。

目前相關論文及數據集已公開，感興趣可以進一步了解。

論文：https://arxiv.org/abs/2406.16855
開源地址：https://huggingface.co/papers/2406.16855