MSD-Score：用于无参考图像标题评估的多尺度分布评分

在没有参考的情况下评估图像说明仍然具有挑战性，因为全局嵌入相似性经常会错过细粒度的不匹配，例如幻觉对象、缺失属性或不正确的关系。我们提出了 MSD-Score，这是一种无参考度量，它将图像块和文本标记嵌入建模为单位超球面上的 von Mises-Fisher 混合。 MSD-Score 没有将每种模态视为单个点，而是将图像文本匹配制定为多尺度分布评分问题。语义差异通过加权双向 KL 散度进行量化，并与多尺度框架中的全局相似性相结合，用于单候选和多候选评估。大量实验表明，MSD-Score 在无参考指标中实现了与人类判断最先进的相关性。除了准确性之外，其概率公式还可以对局部图文对应错误产生透明且可分解的诊断，为整体相似性度量和基于判断的评估器提供确定性的补充信号。