LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

CLIPScore基于 CLIP 的无参考图文评测

#near-cvpr-2025#evaluation#vision-language#primary-source

CLIPScore：无参考图文一致性评测

一句话结论

CLIPScore 用 CLIP 图像—文本相似度评估 caption 的视觉一致性，减少参考文本依赖，但继承 CLIP 的偏差与组合性盲点。

问题定义

怎样避免只按候选与参考文本的词面重合评分，直接判断文字是否与图像语义匹配？

方法概述

编码图像和候选文本并计算余弦相似；RefCLIPScore 可再结合参考 caption 信息。

关键发现

  • 在多个人类相关性测试中通常优于传统 n-gram 指标。
  • 无参考视觉相似与参考文本可互补。
  • 高相似度只是 CLIP 表示中的兼容，不是事实逐项验证。

局限或疑问

  • 属性、关系、计数、否定和专业域可能被误判。
  • 继承预训练数据与语言偏差。
  • 与被评模型共享评估表示会降低独立性。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-clipscore",
  "type": "source",
  "title": "CLIPScore：基于 CLIP 的无参考图文评测",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "EMNLP 2021",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "evaluation",
    "vision-language",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Jack Hessel",
    "Ari Holtzman",
    "Maxwell Forbes",
    "Ronan Le Bras",
    "Yejin Choi"
  ],
  "published_at": "2021-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/2104.08718",
    "https://aclanthology.org/2021.emnlp-main.595/",
    "https://arxiv.org/pdf/2104.08718",
    "https://github.com/jmhessel/clipscore"
  ],
  "raw_entry": "raw/ingest/2026-07-14-clipscore/",
  "analysis_note": "raw/ingest/2026-07-14-clipscore/analysis.md",
  "topics": [
    "topics/datasets-metrics-and-benchmark-reliability",
    "topics/generative-model-evaluation",
    "topics/vision-language"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}