WEBVTT

1
00:00:00.300 --> 00:00:04.220
假设提示要求一个蓝色杯子，牌子上写着 HELLO。

2
00:00:04.920 --> 00:00:10.120
我们的原创矢量图画出了看起来合理的杯子，但牌子写的是 HELO。

3
00:00:11.060 --> 00:00:16.580
单个偏好分数可以表示输出较差，却不能准确告诉编辑器应该修复什么。

4
00:00:17.540 --> 00:00:22.320
指向文字区域，说明缺陷类型：与提示不符的文字。

5
00:00:22.920 --> 00:00:25.020
解释原因：少了一个字母 L。

6
00:00:25.920 --> 00:00:27.640
然后说明它在这个任务中的优先级。

7
00:00:28.500 --> 00:00:33.880
这个示例是在展示诊断，并不是训练后检测器的输出，也不是基准中的标注图像。

8
00:00:34.580 --> 00:00:37.920
结构化缺陷定位把每个缺陷表示为一个元组：

9
00:00:38.320 --> 00:00:43.220
位置框、缺陷类型、自然语言原因，以及重要性分数。

10
00:00:43.900 --> 00:00:46.480
一张图像可以包含不同数量的缺陷实例，

11
00:00:46.780 --> 00:00:50.279
因此模型预测集合，而不是固定图像级标签。

12
00:00:51.000 --> 00:00:52.900
这些字段始终属于同一个缺陷实例。

13
00:00:53.540 --> 00:00:55.940
当图像存在多个无关问题时，这一点很重要。

14
00:00:56.660 --> 00:01:01.160
变形的手与缺少提示物体，需要各自位置和解释，

15
00:01:01.480 --> 00:01:05.140
而非只有亮区、却没将原因绑定到对应区域的热力图。

16
00:01:05.613 --> 00:01:08.393
论文区分视觉瑕疵与提示不符。

17
00:01:08.873 --> 00:01:13.573
视觉瑕疵是图像本身的视觉问题，例如不合理的几何形状。

18
00:01:14.213 --> 00:01:17.273
提示不符则是相对提示的语义错误。

19
00:01:17.853 --> 00:01:23.293
因此，即使 HELO 写得很整齐，在要求 HELLO 时它仍然不对。

20
00:01:24.393 --> 00:01:26.633
重要性也属于每个缺陷。

21
00:01:27.233 --> 00:01:31.393
评分规则考虑视觉显著性、语义影响与受影响面积，

22
00:01:31.873 --> 00:01:34.193
以及问题是否位于主体焦点。

23
00:01:35.033 --> 00:01:37.992
数据集使用一到一百的整数分数。

24
00:01:38.553 --> 00:01:42.633
我们的示例只说明优先级，不虚构测量得到的重要性数值。

25
00:01:43.413 --> 00:01:50.193
为研究这种表示，数据集包含来自四个文生图生成器的三万零九十六张图像。

26
00:01:50.973 --> 00:01:55.473
人工标注者绘制缺陷框、指定类型，并撰写短描述。

27
00:01:56.313 --> 00:02:01.153
模型随后扩展描述、补充推理轨迹，并评分重要性。

28
00:02:02.013 --> 00:02:05.433
因此，监督信息由人工与模型标注共同组成。

29
00:02:06.333 --> 00:02:11.473
划分按提示互斥：二万八千九百四十五张训练图像，

30
00:02:11.533 --> 00:02:14.133
以及一千一百五十一张测试图像。

31
00:02:14.833 --> 00:02:16.313
没有提示同时出现在两个划分中。

32
00:02:17.153 --> 00:02:20.713
这为检测评估提供明确的留出设置，

33
00:02:21.213 --> 00:02:24.033
而不是用训练时同样的提示记录测试。

34
00:02:24.660 --> 00:02:28.780
检测器从四十亿参数的 Qwen3-VL 开始。

35
00:02:29.580 --> 00:02:33.840
监督微调教授所需的推理与结构化缺陷输出。

36
00:02:34.660 --> 00:02:41.260
第二个策略优化阶段奖励空间准确性、描述一致性和重要性估计。

37
00:02:42.360 --> 00:02:44.500
这些奖励之前设置了格式门控。

38
00:02:45.080 --> 00:02:50.000
答案必须包含可解析缺陷列表与几何有效的框，

39
00:02:50.060 --> 00:02:52.300
才可获得正常的组合奖励。

40
00:02:53.180 --> 00:02:54.980
格式有效的答案仍需要正确：

41
00:02:55.600 --> 00:03:01.060
定位框、解释缺陷与估计影响，是不同的问题。

42
00:03:01.627 --> 00:03:05.407
评估区分图像级与缺陷级问题。

43
00:03:06.167 --> 00:03:11.427
图像级指标检查缺陷类型是否存在，也包括未标注该类型实例的图像。

44
00:03:12.287 --> 00:03:16.607
缺陷级指标将预测与同类型标注实例匹配，

45
00:03:17.067 --> 00:03:20.047
再评价框、描述和重要性。

46
00:03:21.027 --> 00:03:26.247
下一张图考察存在标注视觉瑕疵的图像上的定位能力。

47
00:03:27.247 --> 00:03:33.687
BoxF1@0.5 在评价预测框时使用零点五的重叠阈值。

48
00:03:34.327 --> 00:03:38.547
它是定位 F1 分数，不是整体图像偏好评分，

49
00:03:38.647 --> 00:03:40.767
也不是承诺一半缺陷能被修复。

50
00:03:41.400 --> 00:03:46.320
测试集上，零样本 Gemini 3 Pro 得分为零点二零零，

51
00:03:46.380 --> 00:03:48.840
该指标是视觉瑕疵 BoxF1@0.5。

52
00:03:49.420 --> 00:03:52.880
监督训练 SDG 检测器为零点二五五；

53
00:03:53.220 --> 00:03:56.560
策略优化变体为零点二六三。

54
00:03:57.319 --> 00:04:03.380
这是针对任务训练的四十亿参数检测器与零样本通用视觉语言基线的比较，

55
00:04:03.440 --> 00:04:04.680
比较针对这一定位指标。

56
00:04:05.560 --> 00:04:09.300
同一表格中，独立人工重新标注的参考值为零点二七八。

57
00:04:10.080 --> 00:04:15.840
该比较为定位能力提供证据，并不是所有模型在所有图像质量任务上的排名。

58
00:04:16.600 --> 00:04:18.900
一种用途是生成器后训练。

59
00:04:19.620 --> 00:04:25.320
BoxFlow-GRPO 把区域及其重要性转为空间奖励惩罚，

60
00:04:25.840 --> 00:04:29.640
再在提示组内部逐位置归一化优势。

61
00:04:30.340 --> 00:04:34.840
影响较大的问题区域可以获得比无关图像部分更强的局部训练压力。

62
00:04:35.780 --> 00:04:36.920
另一种用途是编辑。

63
00:04:37.620 --> 00:04:42.700
使用相同编辑器，将结构化框与文本和仅描述反馈比较，

64
00:04:42.760 --> 00:04:44.880
比较使用八百七十三个有效样本。

65
00:04:45.500 --> 00:04:48.959
相对该基线，百分之十点三一偏好 SDG，

66
00:04:49.560 --> 00:04:51.640
百分之二点七五偏好基线，

67
00:04:52.040 --> 00:04:54.540
百分之八十六点九四是平局。

68
00:04:55.120 --> 00:04:56.060
回到牌子。

69
00:04:56.680 --> 00:04:58.620
框告诉我们看哪里。

70
00:04:59.140 --> 00:05:01.800
原因说明文字为何违背提示。

71
00:05:02.540 --> 00:05:05.780
类型区分提示不符与视觉瑕疵。

72
00:05:06.480 --> 00:05:09.720
重要性告诉后续系统哪些问题值得关注。

73
00:05:10.500 --> 00:05:12.740
这些信息之所以有用，是因为它们始终绑定在一起。

74
00:05:13.360 --> 00:05:15.960
核心思想是更丰富的反馈接口：

75
00:05:16.520 --> 00:05:21.460
不仅问图像好不好，还指出哪个实例错误，以及需要改变什么。

76
00:05:22.340 --> 00:05:24.900
结构化诊断本身不会编辑杯子。

77
00:05:25.560 --> 00:05:29.580
它为编辑器或训练目标提供更明确的行动问题。