HPSv3: Auf dem Weg zu einem breitgefächerten menschlichen Präferenzscore

HPSv3: Towards Wide-Spectrum Human Preference Score

August 5, 2025

papers.authors: Yuhang Ma, Xiaoshi Wu, Keqiang Sun, Hongsheng Li

cs.AI

papers.abstract

Die Bewertung von Text-zu-Bild-Generierungsmodellen erfordert eine Übereinstimmung mit der menschlichen Wahrnehmung, doch bestehende menschenzentrierte Metriken sind durch begrenzte Datenabdeckung, suboptimale Merkmalsextraktion und ineffiziente Verlustfunktionen eingeschränkt. Um diese Herausforderungen zu bewältigen, führen wir den Human Preference Score v3 (HPSv3) ein. (1) Wir veröffentlichen HPDv3, den ersten breitgefächerten Datensatz für menschliche Präferenzen, der 1,08 Millionen Text-Bild-Paare und 1,17 Millionen annotierte paarweise Vergleiche aus modernsten generativen Modellen sowie realen Bildern von niedriger bis hoher Qualität integriert. (2) Wir stellen ein VLM-basiertes Präferenzmodell vor, das mit einem unsicherheitsbewussten Ranking-Verlust für fein abgestuftes Ranking trainiert wird. Zudem schlagen wir Chain-of-Human-Preference (CoHP) vor, eine iterative Bildverfeinerungsmethode, die die Qualität ohne zusätzliche Daten verbessert, indem HPSv3 verwendet wird, um in jedem Schritt das beste Bild auszuwählen. Umfangreiche Experimente zeigen, dass HPSv3 als robuste Metrik für die breitgefächerte Bildbewertung dient und CoHP einen effizienten und menschenorientierten Ansatz bietet, um die Qualität der Bildgenerierung zu verbessern. Der Code und der Datensatz sind auf der HPSv3-Homepage verfügbar.

English

Evaluating text-to-image generation models requires alignment with human perception, yet existing human-centric metrics are constrained by limited data coverage, suboptimal feature extraction, and inefficient loss functions. To address these challenges, we introduce Human Preference Score v3 (HPSv3). (1) We release HPDv3, the first wide-spectrum human preference dataset integrating 1.08M text-image pairs and 1.17M annotated pairwise comparisons from state-of-the-art generative models and low to high-quality real-world images. (2) We introduce a VLM-based preference model trained using an uncertainty-aware ranking loss for fine-grained ranking. Besides, we propose Chain-of-Human-Preference (CoHP), an iterative image refinement method that enhances quality without extra data, using HPSv3 to select the best image at each step. Extensive experiments demonstrate that HPSv3 serves as a robust metric for wide-spectrum image evaluation, and CoHP offers an efficient and human-aligned approach to improve image generation quality. The code and dataset are available at the HPSv3 Homepage.