计算机科学 > 计算机视觉与模式识别
[提交于 2025年5月30日
]
标题: GenSpace:空间感知图像生成的基准测试
标题: GenSpace: Benchmarking Spatially-Aware Image Generation
摘要: 人类可以直观地在三维空间中构图和排列场景以供摄影。 然而,先进的AI图像生成器在从文本或图像提示创建图像时,能否具备类似的三维空间意识来规划场景? 我们提出了GenSpace,这是一个新的基准测试和评估管道,以全面评估当前图像生成模型的空间意识。 此外,使用通用视觉-语言模型(VLM)的标准评估经常无法捕捉到详细的三维空间错误。 为了解决这一挑战,我们提出了一种专门的评估管道和指标,该方法利用多个视觉基础模型重建三维场景几何,并提供了一个更准确且与人类一致的空间准确性度量。 我们的研究结果显示,尽管AI模型可以生成视觉上吸引人的图像,并能够遵循一般指示,但在特定的三维细节方面,如物体放置、关系和测量上却存在困难。 我们总结了当前最先进的图像生成模型在空间感知方面的三个核心限制:1)物体透视理解;2)自我中心-他者中心转换;3)测量一致性,指出了提高图像生成中空间智能的方向。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.