本文介绍了一种新的文本到图像生成模型(Text-Image Generative Models)的评估方法，其采用了VQA来衡量生成图像与其文本输入之间的忠实度，可以从更细粒度的层面评估文本图像生成模型的性能，例如颜色、数量以及组合关系。 Abstract 尽管成千上万的研究人员、工程师和艺术家积极致力于改进文本到图像生成模型，但系统通常无法生成与文本输入准确一致的图像。我们引入了 TIFA（带问答的文本到图像忠实度评估），这是一种自动评估指标，它通过视觉问答 (VQA) 来衡量生成的图像与其文本输入的忠实度。具体…