No Concept Left Behind: Test-Time Optimization for Compositional Text-to-Image Generation
Sharif University of Technology(沙里夫技术大学)
针对文本到图像模型遗漏复杂提示概念的问题,本文提出结合细粒度 CLIP 概念对齐反馈与大语言模型迭代改提示的测试时优化框架,并在 DrawBench 和 CompBench 上验证其有效性。
2025-09-27 cs.CV
HECTOR: Hybrid Editable Compositional Object References for Video Generation
HECTOR通过混合可编辑组合对象引用,实现了视频生成中对复杂时空约束的高保真度满足和运动可控性提升。
2026-03-09 cs.CV
Compositional Video Generation via Inference-Time Guidance
Tel-Aviv University(特拉维夫大学);Bar Ilan University(巴伊兰大学);NVIDIA Research(NVIDIA研究)
本文提出CVG方法,通过利用交叉注意力图中的空间时间接地信号,提升冻结文本到视频模型的组合忠实度,无需修改模型结构或微调生成器。
2026-05-14 cs.CV
Unlocking Compositional Control: Self-Supervision for LVLM-Based Image Generation
Autonomous University of Nuevo León(新莱昂自治大学)
本文提出 Hi-SSLVLM,通过两阶段自监督学习与内部组合规划机制,在不依赖大量人工标注的情况下提升复杂提示的文本到图像生成可控性与组合准确性。
2025-07-05 cs.CV
Generating Compositional Scenes via Text-to-image RGBA Instance Generation
University of Edinburgh(爱丁堡大学);Microsoft Research(微软研究院)
提出一种多阶段生成范式,通过训练扩散模型生成带透明度的RGBA实例,并多层组合,实现对复杂场景中物体属性和位置的细粒度控制。
2024-11-16 cs.CV cs.LG
Compositional Text-to-Image Generation Via Region-aware Bimodal Direct Preference Optimization
Shanghai Key Lab of Intell. Info. Processing, School of CS, Fudan University(上海智能信息处理关键实验室,复旦大学计算机学院);Shanghai Collaborative Innovation Center of Intelligent Visual Computing(上海智能视觉计算协同创新中心)
提出BiDPO框架,通过构建大规模偏好数据集BiComp和扩展Diffusion DPO联合优化图像与文本偏好,结合区域级引导方法,提升文本到图像模型对复杂组合提示的生成保真度。
2026-05-27 cs.CV
SliderEdit: Continuous Image Editing with Fine-Grained Instruction Control
University of Maryland(马里兰大学);Adobe Research(Adobe研究院)
针对现有基于指令的图像编辑模型无法精确控制单个编辑强度的问题,提出SliderEdit框架,通过解耦指令并设置全局训练滑块实现强度连续调整,无需单独训练,应用于主流模型后提升了可控性与一致性。
2025-11-12 cs.CV
Semantic Score Distillation Sampling for Compositional Text-to-3D Generation
Peking University(北京大学);University of Oxford(牛津大学)
针对复杂组合文本到3D生成缺乏细粒度控制的问题,提出SemanticSDS方法,通过引入跨视图一致的语义嵌入生成语义图以指导特定区域的SDS过程,实现了高质量复杂3D内容生成。
2024-10-11 cs.CV
CoMA: Compositional Human Motion Generation with Multi-modal Agents
University of California, Irvine(加利福尼亚大学欧文分校);Stony Brook University(石溪大学);Southeast University(东南大学);Chongqing University(重庆大学);Huazhong University of Science and Technology(华中科技大学);Northeastern University(东北大学)
本文提出 CoMA,通过协作式多模态大模型智能体与带部位编码器和码本的 mask transformer 生成器,实现复杂人体动作的生成、文本编辑、理解与自校正。
2025-01-07 cs.CV
RoomTex: Texturing Compositional Indoor Scenes via Iterative Inpainting
Shanghai AI Laboratory(上海人工智能实验室);The Hong Kong University of Science and Technology(香港科技大学);Peking University(北京大学)
提出由粗到细的3D场景纹理框架RoomTex,通过全景图引导和迭代修复技术,解决组合室内场景的风格不一致和遮挡问题,生成高保真纹理并支持交互式编辑。
2024-06-04 cs.CV
LVLM-Composer's Explicit Planning for Image Generation
Northern Caribbean University(北加勒比大学)
本文提出100亿参数模型LVLM-Composer,通过分层语义规划、细粒度特征对齐及带自校正的组合规划强化学习,显著提升复杂文本到图像生成中的组合准确性。
2025-07-05 cs.CV
CompSlider: Compositional Slider for Disentangled Multiple-Attribute Image Generation
University at Buffalo(布法罗大学);Adobe Inc. (ASML)(Adobe公司)
针对文本生成图像中多属性控制易相互干扰的问题,提出CompSlider组合式滑块方法,通过条件先验与新型损失函数实现属性解耦控制,无需重训基础模型,可扩展至视频生成。
2025-09-03 cs.CV
ONE-SHOT: Compositional Human-Environment Video Synthesis via Spatial-Decoupled Motion Injection and Hybrid Context Integration
National University of Singapore(新加坡国立大学);Baidu Inc.(百度公司)
本文提出ONE-SHOT框架,通过空间解耦运动注入和混合上下文整合,实现高效的人类-环境视频合成,优于现有方法,具有更好的结构控制和创意多样性。
2026-04-01 cs.CV
ID-Crafter: VLM-Grounded Online RL for Compositional Multi-Subject Video Generation
本文提出ID-Crafter框架,通过层次化注意力机制、预训练视觉语言模型和在线强化学习,提升多主体视频生成中身份保持与语义一致性。
2025-12-15 cs.CV
Compositional Fine-Grained Low-Shot Learning
Khoury College of Computer Sciences, Northeastern University(东北大学库理计算机学院)
我们开发了一种新的零和少样本学习的组合生成模型,以识别细粒度的类,很少或没有训练样本。我们的主要观察是,为细粒度的类生成整体特征无法捕获类之间的小属性差异。因此,我们提出了一个特征组合框架,该框架学习从训练样本中提取属性特征,并将它们组合起来,为罕见和不可见的类构建细粒度特征。特征组合允许我们不仅有选择地从相关的训练样本中组合每个类的特征,而且还可以通过改变用于组合的样本来获得组合特征之间的多样性。此外,而不是建立整体功能的类,我们使用我们的属性功能,形成密集的表示能够捕捉细粒度的属性细节的类。我们提出了一个训练方案,使用一个判别模型来构建功能,随后用于训练模型本身。因此,我们直接训练的组成特征的判别模型,而无需学习一个单独的生成模型。我们在DeepFashion、AWA2、CUB和SUN四个流行的数据集上进行了实验,证明了我们的方法的有效性。
2021-05-21 cs.CV
Compositional Text-to-Image Generation with Dense Blob Representations
NVIDIA Corporation(英伟达公司)
针对现有文本到图像模型难遵循复杂提示的问题,研究提出稠密斑点表示,开发BlobGEN扩散模型并搭配掩码交叉注意力模块与LLM上下文学习方法,提升了组合生成质量与布局可控性。
2024-05-14 cs.AI cs.CV cs.LG
3D-SSGAN: Lifting 2D Semantics for 3D-Aware Compositional Portrait Synthesis
Jilin University(吉林大学);Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE(教育部知识驱动人机智能工程研究中心)
提出3D-SSGAN框架,通过深度引导的2D到3D提升模块和3D感知语义掩码渲染器,实现细粒度部件级控制且保持3D视角一致性的组合肖像合成。
2024-01-08 cs.CV cs.GR
FiRe: Fine-grained Multimodal Reasoning for Enhanced Image Generation
KT Corporation(KT公司)
提出FiRe方法,通过细粒度多步推理和强化学习FiRe-GRPO,解决文本到图像生成中缺乏细粒度控制的问题。
2026-10-23 cs.CV
Decompose Radicals, Then Reward: Fine-Grained Inspection for Accurate Chinese Text Rendering
Institute of Trustworthy Embodied AI, Fudan University(复旦大学可信具身智能研究院);Shanghai Key Laboratory of Multimodal Embodied AI(上海市多模态具身智能重点实验室)
针对中文文本渲染中OCR奖励忽略字形组合结构的问题,提出IDSpect方法,利用IDS分解与细粒度奖励,在不改生成器且无额外推理成本下,提升结构质量与语义对齐。
2026-09-30 cs.CV
AI Powered High Quality Text to Video Generation with Enhanced Temporal Consistency
Microsoft(微软)
针对文本到视频生成中的时间一致性和细粒度控制问题,提出MOVAI分层框架,通过组合场景解析器、时间-空间注意力机制和渐进式视频精修模块,在多项指标上实现最先进性能。
2025-10-30 cs.AI cs.CV cs.IR
A Compositional Feature Embedding and Similarity Metric for Ultra-Fine-Grained Visual Categorization
Griffith University(格里菲斯大学)
细粒度视觉分类(FGVC)是近年来发展起来的一种分类方法,其目标是以较小的类间方差对目标进行分类。然而,超细粒度的视觉分类(超FGVC),其目标是识别具有极其相似的模式的子类,并没有得到太多的关注。在超FGVC数据集中,随着粒度的下降,每个类别的样本总是稀缺的,这将导致过拟合问题。此外,不同类别之间的差异太微妙,即使是专业专家也无法区分。针对这些问题,提出了一种新的组合特征嵌入和相似性度量(CECS)。具体来说,在组成特征嵌入模块中,我们在原始输入图像中随机选择补丁,然后将这些补丁替换为来自不同类别的图像的补丁或屏蔽掉。然后利用替换后的图像对原始输入图像进行增强,可以提供更多样的样本,从而在很大程度上缓解了由于训练样本有限而导致的过拟合问题。此外,不同样本的学习迫使模型不仅学习最具区分力的特征,而且学习剩余区域中的其他信息特征,从而增强模型的泛化能力和鲁棒性。在组合相似性度量模块中,提出了一种新的相似性度量方法,通过缩小类内距离和扩大类间距离来提高分类性能。两个ultra-FGVC数据集和一个FGVC数据集与最近的基准方法的实验结果一致表明,所提出的CECS方法达到了最先进的性能。
2021-10-27 cs.CV
CP4D: Compositional Physics-aware 4D Scene Generation
School of Information Science and Technology, University of Science and Technology of China(信息科学与技术学院,中国科学技术大学);Zhongguancun Academy(中关村学院);the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,中国科学院自动化研究所);Eastern Institute of Technology(东部技术研究所);Tsinghua University(清华大学)
提出CP4D范式,通过静态环境与物理动态对象组合,结合物理模拟器与视频扩散模型生成轨迹,实现高保真、物理一致的4D场景。
2026-06-08 cs.CV
BlobGEN-Vid: Compositional Text-to-Video Generation with Blob Video Representations
UC Santa Barbara(加州大学圣巴巴拉分校);NVIDIA(英伟达公司)
针对现有视频生成模型可控性不足的问题,提出基于blob视频表示的BlobGEN-Vid框架,通过掩码3D注意力、文本嵌入插值等模块实现多物体运动与外观的精准控制,在多个基准上布局可控性达SOTA,结合LLM时组合准确性优于专有生成器。
2025-01-13 cs.AI cs.CV
A Contrastive Compositional Benchmark for Text-to-Image Synthesis: A Study with Unified Text-to-Image Fidelity Metrics
Fudan University(复旦大学);Alibaba Group(阿里巴巴集团);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));East China University of Science and Technology(华东理工大学)
本文提出包含1.1万对、覆盖20类复杂对比句的 Winoground-T2I 基准,用于细粒度评估 T2I 模型组合性,并检验图像保真度指标的可靠性。
2023-12-11 cs.AI cs.CV cs.MM
Attribute Token Arithmetic: Disentangled and Continuous Semantic Control for Visual Autoregressive Models
Monash University(莫纳什大学)
本文提出ATA方法,在预训练自回归隐空间中学习视觉属性语义方向,通过简单算术操作实现连续多属性调整,在可控性等指标上优于现有基线。
2026-08-31 cs.CV
Compositional Reward Models for Conditional Medical Image Generation
Yardi School of Artificial Intelligence(亚尔迪人工智能学院);Indian Institute Of Technology, Delhi(德里印度理工学院);Indian Institute of Science(印度科学学院);Department of Computer Science and Engineering(计算机科学与工程系)
本研究提出PRISM组合奖励模型框架,通过分层约束传播机制优化条件医学图像生成,在三个医学成像数据集上训练下游模型时,多项指标较基准方法均有显著提升。
2026-09-07 cs.CV
NAVERO: Unlocking Fine-Grained Semantics for Video-Language Compositionality
The University of Hong Kong(香港大学);AWS AI Labs(亚马逊云科技人工智能实验室)
针对视频中组合关系随时间快速变化导致VidL模型组合理解困难的问题,该研究构建AARO基准,提出负样本增强的NAVERO训练方法及匹配损失,在组合理解和检索任务上均取得更优表现。
2024-08-18 cs.CV
Learning Visual Proxy for Compositional Zero-Shot Learning
Tianjin University(天津大学);Zhejiang University(浙江大学);Zhejiang University of Technology(浙江工业大学);Hainan University(海南大学)
针对组合式零样本学习中模态差距大、文本原型缺乏细粒度视觉线索的问题,提出视觉代理学习与跨模态联合学习方法,在四个基准上取得优异性能,有效提升组合泛化能力。
2025-09-02 cs.CV
LayoutGPT: Compositional Visual Planning and Generation with Large Language Models
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Google(谷歌);University of California, Santa Cruz(加州大学圣克鲁兹分校)
LayoutGPT利用大语言模型从文本条件生成视觉布局,通过样式表语言组合上下文演示提升规划能力,在2D图像和3D场景中显著优于现有文本到图像方法,并达到与人类用户及监督方法相当的性能。
2023-10-28 cs.AI cs.CV
Object-level Visual Prompts for Compositional Image Generation
Carnegie Mellon University(卡内基梅隆大学);Snap Research(Snap 研究院);Tel Aviv University(特拉维夫大学)
本文提出在文本到图像扩散模型中组合对象级视觉提示,通过 KV 混合交叉注意力机制和对象级组合引导,在保持对象身份的同时生成多样化场景组合。
2025-01-02 cs.AI cs.CV cs.GR
CoVEBench: Can Video Editing Models Handle Complex Instructions?
Nanjing University(南京大学);Kuaishou Technology(快手科技)
提出CoVEBench基准,包含416个源视频和626条多点编辑指令,通过MLLM评估指令遵循度和保真度,揭示当前模型在组合编辑中常遗漏编辑或破坏保留约束。
2026-06-11 cs.AI cs.CV
ANetQA: A Large-scale Benchmark for Fine-grained Compositional Reasoning over Untrimmed Videos
Hangzhou Dianzi University(杭州电子科技大学);Zhejiang University(浙江大学);AI Lab at Lenovo Research(联想研究院人工智能实验室)
针对现有视频问答基准细粒度语义推理能力不足的问题,提出基于ActivityNet非修剪视频的大规模细粒度组合推理基准ANetQA,规模远超同类基准,实验显示现有最优模型与人类表现差距显著。
2023-05-04 cs.CL cs.CV
VideoComp: Advancing Fine-Grained Compositional and Temporal Alignment in Video-Text Models
Google DeepMind(谷歌DeepMind)
本文提出 VideoComp 基准与学习框架,通过构建多事件视频组合性基准和分层成对偏好损失,提升视频-文本模型在细粒度时序对齐上的能力。
2025-04-10 cs.AI cs.CL cs.CV
RewardFlow: Generate Images by Optimizing What You Reward
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Sony Research, India(索尼印度研究院)
RewardFlow通过多奖励Langevin动力学优化预训练扩散和流匹配模型,统一了语义对齐、感知保真度等不同可微奖励,并引入基于VQA的可微奖励提升语义监督。
2026-04-09 cs.AI cs.CV
AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation
Snap Inc.;UC Merced(加州大学默塞德分校)
AlcheMinT通过引入显式时间戳条件化,实现了多主体视频生成中的细粒度时间控制,提升了视频生成的精确性和保真度。
2025-12-11 cs.AI cs.CV
New Dataset and Methods for Fine-Grained Compositional Referring Expression Comprehension via Specialist-MLLM Collaboration
University of Electronic Science and Technology of China(电子科技大学);Tongji University(同济大学)
针对现有指代表达理解数据集缺乏细粒度负样本测试的问题,研究者构建了可控难度的细粒度REC数据集,并提出两种专家模型与MLLM协作方法,在多个基准上实现性能提升,为复杂视觉语言任务提供可行方案。
2025-06-13 cs.CV
GenAI-Bench: Evaluating and Improving Compositional Text-to-Visual Generation
Carnegie Mellon University(卡内基梅隆大学);Meta
该研究基于GenAI-Bench评估文本到视觉模型的组合生成能力,发现VQAScore指标优于现有方法,可通过黑盒排序提升生成效果,并发布含超8万条人类评分的基准以推动相关研究。
2024-11-03 cs.AI cs.CL cs.CV
Training Data Protection with Compositional Diffusion Models
AWS AI Labs(亚马逊人工智能实验室)
提出分区扩散模型(CDM),通过独立训练并组合不同数据源的扩散模型,实现与单一模型相当的性能,同时支持选择性遗忘、持续学习和基于权限的定制服务,显著提升遗忘速度和文本到图像对齐度。
2024-10-13 cs.AI cs.CR cs.CV
FINECAPTION: Compositional Image Captioning Focusing on Wherever You Want at Any Granularity
University of Rochester(罗切斯特大学);Adobe Research(奥多比研究院)
针对VLMs在细粒度区域组合信息感知上的不足,本文提出FINECAPTION模型,可识别任意掩码并处理高分辨率图像,实现多粒度组合式图像描述,并构建了COMPOSITIONCAP数据集,实验证明其优于现有最先进方法。
2024-11-23 cs.CV
CGC: Compositional Grounded Contrast for Fine-Grained Multi-Image Understanding
School of Computer Science and Technology, Hangzhou Dianzi University(杭州电子科技大学计算机科学与技术学院);School of Computer Science(计算机科学学院);Technology, Hangzhou Dianzi University(技术,杭州电子科技大学)
本文提出CGC框架,通过跨图像对比和内图像对比提升多图像细粒度理解,结合规则空间奖励增强属性和对齐,实验显示在多个基准上取得最佳结果,并在多模态任务中表现优异。
2026-04-24 cs.AI cs.CV
Attribute Retrieving for Open-Vocabulary Endoscopic Compositional Referring Segmentation
Virginia Commonwealth University(弗吉尼亚联邦大学);King’s College London(伦敦国王学院);University at Buffalo(纽约州立大学布法罗分校);Harvard Medical School(哈佛医学院)
该研究针对内镜图像指称分割面临的挑战,引入ReferEndoscopy基准,提出AR-ERIS框架,利用属性检索进行开放词汇量内镜组合式指称分割,在模拟和真实内镜数据上实现最优性能且泛化能力强。
2026-07-10 cs.CV
Multi-Grained Compositional Visual Clue Learning for Image Intent Recognition
Beihang University(北洋大学);Beijing University of Post and Telecommunication(北京邮电大学);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院)
针对图像意图识别中视觉线索多样且类内差异大的问题,提出多粒度组合式视觉线索学习方法,分解意图为线索组合并整合多粒度特征,在Intentonomy和MDID数据集上取得最先进性能。
2025-04-25 cs.AI cs.CV
3DCoMPaT$^{++}$: An improved Large-scale 3D Vision Dataset for Compositional Recognition
Department of Computer Science, KAUST(计算机科学系,卡塞姆大学)
本文提出3DCoMPaT$^{++}$多模态数据集,包含千万级3D形状的1.6亿渲染视图,并引入GCR任务以识别3D对象部件材质组合,同时报告了CVPR2023挑战赛结果。
2025-04-28 cs.AI cs.CV
DEIG: Detail-Enhanced Instance Generation with Fine-Grained Semantic Control
DEIG通过细粒度语义控制生成多实例场景,提升空间一致性与语义准确性。
2026-02-20 cs.CV
ComAlign: Compositional Alignment in Vision-Language Models
Sharif University of Technology(谢里夫理工大学)
针对视觉-语言模型粗粒度训练丢失组合结构、缺乏组合理解的问题,提出细粒度组合对齐方法ComAlign,通过轻量网络对齐跨模态结构的节点与边,在检索和组合基准上实现显著提升。
2024-09-12 cs.CV cs.MM
FineCops-Ref: A new Dataset and Task for Fine-Grained Compositional Referring Expression Comprehension
University of Electronic Science and Technology of China(电子科技大学)
该研究构建了具备可控难度等级、含负样本的细粒度组合式REC新数据集FineCops-Ref,评估发现现有专用模型与MLLMs的定位性能仍有较大差距,旨在推动视觉推理与跨模态交互研究。
2025-01-11 cs.CL cs.CV
Fine-Grained Image-Text Correspondence with Cost Aggregation for Open-Vocabulary Part Segmentation
KAIST, Republic of Korea(韩国科学技术院);Samsung Electronics, Republic of Korea(三星电子)
本文提出PartCATSeg框架,通过对象感知部件级代价聚合、组合损失和DINO结构指导解决开放词汇部件分割中的图文对齐与结构理解问题,显著提升了未见类别部件分割的泛化性能。
2025-08-08 cs.CV
Reasoning about Fine-grained Attribute Phrases using Reference Games
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
我们提出了一个框架,学习使用属性短语来描述实例之间的细粒度视觉差异。属性短语捕捉对象的区别方面(例如,“鼻子上的螺旋桨”或飞机的“机翼附近的门”)。一个类别内的语义可以由一组这些短语来描述,并且它们共同地跨越了一个类别的语义属性的空间。我们收集了一个大型的数据集,这样的短语,要求注释者描述几个视觉上的差异,在一个类别内的一对实例。然后,我们学习在说话者和听者之间的“参考游戏”的背景下描述这些短语并将其与图像联系起来。说话者的目标是描述图像的属性,使听者能够在一对图像中正确识别它。以成对的方式收集的数据提高了说话者生成的能力,以及听者解释视觉描述的能力。此外,由于属性短语的组合性,经过训练的听众可以解释在图像检索训练期间未看到的描述,并且扬声器可以生成基于属性的解释,用于先前未看到的类别之间的差异。我们还表明,将图像嵌入到来自听众的属性短语的语义空间中,与FGVC飞机数据集上现有的基于属性的表示相比,准确性提高了20%。
2017-08-29 cs.CV
Fine-Grained Neural Architecture Search
Seoul National University(首尔大学);Qualcomm(高通)
我们提出了一个优雅的细粒度神经架构搜索(FGNAS)框架,它允许在一个单一的层内采用多个异构操作,甚至可以使用几个不同的基本操作生成组合特征图。尽管与其他方法相比搜索空间非常大,但FGNAS仍能高效运行,因为它通过随机梯度下降方法端到端地训练网络。此外,所提出的框架允许在预定义的资源约束下,在参数的数量,FLOP和延迟方面优化网络。FGNAS已被应用于两个关键的应用在资源需求的计算机视觉任务-大规模图像分类和图像超分辨率-并通过灵活的操作搜索和通道修剪展示了最先进的性能。
2019-11-18 cs.CV
Decomposed Vision-Language Alignment for Fine-Grained Open-Vocabulary Segmentation
Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院航空航天信息研究所);University of Chinese Academy of Sciences(中国科学院大学);Zhejiang University(浙江大学)
本文提出分解式视觉-语言对齐框架,通过将文本提示分解为概念令牌和多个属性令牌,实现细粒度开放词汇分割中对未见属性-类别组合的泛化提升。
2026-05-15 cs.AI cs.CV
Contrasting Intra-Modal and Ranking Cross-Modal Hard Negatives to Enhance Visio-Linguistic Compositional Understanding
Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);CIFAR(加拿大高级研究所)
提出一种通过对比模态内与排序模态间困难负样本的简单有效方法,改进标准图文对比学习框架以提升VLMs的组合推理能力,无需额外参数即在五个基准上取得显著提升。
2024-04-25 cs.CV
Towards Fine-Grained Text-to-3D Quality Assessment: A Benchmark and A Two-Stage Rank-Learning Metric
Shanghai Jiao Tong University(上海交通大学);University of Missouri-Kansas City(密苏里大学-堪萨斯城分校)
针对T23DQA的基准缺失与指标缺陷,本文推出组合式T23D生成基准T23D-CompBench,并提出两阶段排名学习指标Rank2Score,其性能优于现有指标且可作为奖励函数优化生成模型。
2026-08-27 cs.CV
TruEye: Fine-Grained Detection of AI-Generated Human Subjects in Images
Vanderbilt University(范德堡大学)
提出TruEye模型,通过掩码条件双流Transformer区分五种合成内容类别,实现AI生成或篡改人物与场景的细粒度检测和定位,无需大型语言模型,速度提升百倍。
2026-06-29 cs.CV
FINEMATCH: Aspect-based Fine-grained Image and Text Mismatch Detection and Correction
University of Rochester(罗切斯特大学);Adobe Research(奥多比研究院)
提出FineMatch基准,用于基于方面的细粒度图文不匹配检测与纠正,并引入ITM-IoU评估指标,实验表明其可提升VLM的细粒度匹配能力并支持幻觉检测。
2024-07-20 cs.CL cs.CV