arXiv · 机器人与计算机视觉· Liang Yue, Eric A. Vance·· 14 天前精选AI 评分82
同一布局不同数量:文生图模型中‘十’以上的数字词失效研究
Same Layout, Different Count: What Number Words Do Past Ten in Text-to-Image Models
AI 导读
该论文研究了五个开源文生图模型(包括 SD3.5-M、FLUX 系列和 Qwen-Image)在生成物体数量超过十个时的表现。实验发现,一旦请求中的物体数量超过约十个,所有模型都会停止遵循具体的数字指令,其生成的图像布局主要由初始噪声的粗粒度部分决定,而非数字词本身。研究还指出,当物体数量超过十时,精确匹配分数难以区分遵循指令与忽略指令的模型,而相对误差评分甚至可能偏好常数猜测值十六。
推荐理由
研究揭示文生图模型在物体数量超过十时失去计数能力,且噪声布局比数字指令更能决定构图。
来源:arXiv · 机器人与计算机视觉 · arxiv.org