REVEALER：強化学習によるテキスト-画像アライメント評価のための視覚推論

この論文は、テキストから画像（T2I）モデルにおける重要な問題、つまりテキストプロンプトと生成された画像の間のアライメントの評価に取り組んでいます。既存の方法は、多くの場合、きめ細かい解釈可能性を欠いています。REVEALERは、強化学習と視覚推論を使用して要素レベルのアライメント評価を提供する新しいフレームワークを提案し、既存のアプローチと比較してパフォーマンスと効率を向上させています。「grounding-reasoning-conclusion」という構造化されたパラダイムと複合報酬関数の使用が重要な革新です。

• •要素レベルのテキスト-画像アライメント評価のための新しいフレームワーク、REVEALERを提案。
• •解釈可能性を向上させるために、強化学習と視覚推論を採用。
• •複数のベンチマークで既存の方法を上回る。
• •優れた推論効率を実証。