本文提出了一个目前数据量最大的、涵盖面最广、反应人类对生成图像喜爱程度的数据集：HPD v2， 并基于该数据集，提出了目前泛化性最强的“人类喜好评估模型”：HPS v2。HPS v2可以类比为ChatGPT中的reward model，能够用于图像生成模型的对齐以及评估。
论文链接：https://arxiv.org/pdf/2306.09341.pdf
代码链接：https://github.com/tgxs002/HPSv2
一、背景
文生图模型的出现颠覆了人类的绘图方式，只需寥寥数字便可根据描述生成逼真的图像。然而，不少工作已经证明现有的评价指标（例如FID、IS、CLIP Score等）无法有效预测人们对于生成图像的喜好程度。
二、人类偏好数据集 HPD v2
为了解决这个问题，本文推出了一个名为HPD v2的全新数据集，它类似InstructGPT论文中的compaison data，包含了0.8M图片之间的comparison，反映了人们对不同图像的喜爱程度，是目前同类型数据集中最大的一个。
如上图所示，我们先对COCO Caption和DiffusionDB的文本进行清洗，去除繁杂的风格词汇。再用Stable Diffusion、DALL-E等近十个文生图模型（如下表所示），生成了超过43万张图片。我们请标注员对这些图片按组进行排序，从而构成我们的数据集。下图展示了我们的图像来源分布。
三、人类偏好分数 HPS v2
通过对HPD v2数据集的训练，我们训练了一个模型来拟合人类对图像的喜好：HPS v2。实验结果显示，HPS v2比以前的模型（包括 HPS v1、ImageReward 和 PickScore等）具有更好的泛化能力，并可作为文生图模型更好的评估指标。
在下图中，我们展示了由6个开源文生图模型生成的图像的HPS v2指标，可以看到，HPS v2与人类的主观感受有良好的一致性。
四、如何优化HPS v2？
本文提出两个简单的方案，可以提高生成图像的分数，为后续研究工作抛砖引玉。一个是用参考图像的特征提供更好的文生图初始化噪声。我们发现，在训练Stable Diffusion时，模型并没有见过纯噪声的输入，但推理时模型的输入却是从纯噪声开始的，这与训练阶段不一致。基于这一观察，我们尝试将参考图像的特征与随机噪声混合作为初始化噪声。如下图所示，我们的方法有效地提高了生成图像的HPS v2，并提高了对于生成结果的控制力度。
第二个方案是如HPS v1中介绍的，在关键词中给定一些有助于提高质量的标记。我们在此进行了量化的对比。如下表所示，这两种方法均提升了生成图像的HPS v2值，其中给定额外的标记能大幅提升生成质量。
五、总结
本文提出了目前数据量最大、覆盖模型最多的、反映人类对生成图像喜爱度的数据集HPD v2，并基于该数据集提出了最具泛化性的人类喜好评估模型HPS v2和一套稳定、公正、易用的文生图模型的评价基准。本工作为文本到图像生成模型的质量评估提供了一种新的方法，为模型改进和进一步研究提供了有力支持。
来源：公众号【商汤学术】
快抢沙发！
