ShyFoo/TerraVis

新的TerraVis框架评估文本到图像生成中的世界一致性

研究人员推出了TerraVis，一个旨在评估生成图像与现实世界可信度之间视觉一致性的新框架。该框架通过识别和量化与物体结构、解剖结构、物理交互和空间关系相关的违规行为，解决了现有文本到图像评估指标的局限性。TerraVis采用多阶段流程，利用多模态大语言模型（MLLM）检测18种特定的世界一致性失败类型，并分配一个与人类判断高度相关的总体分数。