一个名为 FoR-T2I 的新基准已被开发出来,用于评估文本到图像模型对空间指令的理解程度,特别是在参照系不同时。研究人员发现,当空间描述基于物体的方向而非观察者的视角时,当前模型会遇到显著困难,准确率平均下降 41.8%。虽然测试了各种缓解策略,但一种视觉语言模型门控重写方法在提高性能方面显示出潜力。 AI
影响 突出了当前文本到图像模型在空间理解方面的一个关键限制,可能指导未来的研究和开发。
排序理由 该项目描述了一个关于文本到图像模型的新基准和研究发现。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →