LogicVal：文本到图像生成中约束满足的逻辑形式化基准

arXiv:2610.24051v1 公告类型：新 摘要：文本到图像（T2I）生成模型在根据自然语言提示生成高保真图像方面取得了重大进展。除了这一进展之外，还开发了许多基准来评估属性绑定、计算能力、空间推理和常识推理等能力。在这项工作中，我们通过将 T2I 评估视为约束满足问题，提出了一种新的视角。我们引入了一个逻辑框架，正式指定基准域，包括对象、属性和关系，以及生成图像必须满足的约束。我们评估了 4 个最先进的 T2I 模型，涵盖 9 类约束，范围从单对象属性到涉及逻辑运算符（$\forall、\exists、count、\rightarrow$）的多对象关系约束。我们的结果揭示了单对象和复杂条件多对象关系约束类之间存在巨大差距，表现最好的模型在前者上的准确率达到 98%，而在后者上仅达到 53%。我们评估了组合泛化，发现表现最好的模型的准确率从单约束提示时的 84% 下降到同时满足多个约束时的 20%。识别不可满足的约束也具有挑战性，最好的模型只能正确识别 23% 的此类提示。在此框架的基础上，我们引入了 \textbf{LogicVal}，一种将神经视觉检测与逻辑推理相结合的评估方法，以评估生成图像中的约束满足程度。在 CLEVR 上，LogicVal 的 ROC-AUC 分数范围为 0.88 至 0.98，表明与人类判断高度一致。这些发现强调了基于逻辑的评估对于表征 T2I 模型功能和局限性的价值。