Évaluation de la qualité des modèles de génération d’images à partir de texte : Le défi NTIRE 2025

Le défi NTIRE 2025 sur l’évaluation de la qualité des modèles de génération d’images à partir de texte (T2I), organisé dans le cadre de l’atelier New Trends in Image Restoration and Enhancement (NTIRE) à CVPR 2025, a permis d’évaluer finement la qualité de ces modèles. L’objectif était double : évaluer l’alignement image-texte et détecter les distorsions structurelles des images.

L’alignement image-texte

La première partie du défi, axée sur l’alignement, a utilisé la base de données EvalMuse-40K, comprenant environ 40 000 images générées par IA (AIGI) issues de 20 modèles populaires. Avec 371 participants enregistrés, 1 883 soumissions ont été reçues en phase de développement et 507 en phase de test. Douze équipes ont finalement soumis leurs modèles et fiches techniques. Les résultats obtenus ont surpassé les méthodes de référence, témoignant des progrès significatifs dans le domaine.

Détection des distorsions structurelles

La deuxième partie s’est concentrée sur la détection des distorsions structurelles. Utilisant EvalMuse-Structure (10 000 AIGI avec masques de distorsion correspondants), cette piste a attiré 211 participants, avec 1 155 soumissions en phase de développement et 487 en phase de test. Huit équipes ont présenté leurs modèles et fiches techniques. Là encore, la majorité des méthodes ont surpassé les méthodes de référence.

Résultats et perspectives

Les méthodes gagnantes dans les deux pistes ont démontré une performance de prédiction supérieure pour l’évaluation de la qualité des modèles T2I. Ce défi souligne l’importance d’une évaluation rigoureuse pour améliorer la qualité des modèles de génération d’images à partir de texte. Les avancées réalisées ouvrent la voie à des modèles plus précis et réalistes, avec des applications potentielles dans de nombreux domaines, de la création artistique à la conception assistée par ordinateur.

✓ Amélioration significative des méthodes d’évaluation de la qualité des modèles T2I.
✓ Identification des axes d’amélioration pour les modèles de génération d’images.
✓ Perspectives encourageantes pour des applications plus vastes et plus performantes de la génération d’images par IA.