Ouxiang Li Yuan Wang Xinting Hu Huijuan Huang et al

摘要

文本到图像（T2I）生成旨在根据文本提示合成图像，这些提示既明确指定了图像中必须呈现的内容，又隐含了可推断的信息，从而对应于两个核心能力：构图与推理。然而，随着T2I模型在构图之外推理能力的持续进步，现有基准测试在跨能力及能力内部的全面评估方面暴露出明显局限。与此同时，这些技术进步也使模型能够处理更复杂的提示，而当前基准测试仍局限于低场景密度和简化的单对一推理任务。为应对上述局限，我们提出T2I-CoReBench——一个全面且复杂的基准测试，用于评估T2I模型的构图与推理能力。为确保评估的全面性，我们以场景图元素（实例、属性与关系）为核心构建构图维度，并基于推理的哲学框架（演绎、归纳与溯因）构建推理维度，形成一个12维的评估分类体系。为提升任务复杂性，我们依据现实场景固有的复杂性，精心设计每条提示：在构图方面强调高组合密度，在推理方面要求多步推断。此外，每条提示均配备一份检查清单，包含一系列独立的“是/否”问题，用于逐一评估每个预期元素，从而实现细粒度且可靠的评估。统计数据显示，本基准测试包含1,080个具有挑战性的提示，以及约13,500个检查清单问题。对27个当前主流T2I模型的实验结果表明，这些模型在复杂高密度场景下的构图能力仍存在显著局限；而推理能力则更为滞后，成为关键瓶颈——所有模型均难以从提示中推断出隐含信息。项目主页：this https URL。