评估文本到视觉生成与图像到文本生成

通过分解式对齐评估和改进文本到图像的对齐效果，提出了 Decompositional-Alignment-Score 和 VQA 模型来测量对齐度。

实验结果表明，该对齐度指标与人类评分高度相关，能够逐步提高最终图像输出的表达。

引入新的评估方法 Text-to-Video Score (T2VScore)，综合考虑文本-视频对齐和视频质量。

提出 TVGE 数据集以评估和促进文本到视频生成的指标改进，实验证明 T2VScore 的优越性。

提出基于文本的语义相关质量评价方法 (SAQI) 及其本地化版本，结合现有低级指标形成统一盲视频质量指数 (BVQI)。

结合视觉问答模型和多模态编码器的方法，利用 VQA 2.0 数据集提高生成图像的质量和对齐。

使用语言指导（LG）提高图像问题回答的准确性，提出多模态框架进行基准测试，观察到性能提升。

提出基于问答生成的评估框架，利用预训练模型自动生成问题和答案，评分图像一致性。

利用 CLIP 作为跨模态学习指导的 Visual-Text Attention 机制应用于视频问答任务，结果优于现有方法。

研究提出的新型视觉问答基准可对文本生成视觉语言模型进行细粒度评估，促进领域进展。