arXiv cs.AI· Kailai Feng, Haoxiang Rao, Yuxiang Wei, Bo Chen, Junsong Li, Yang Pan, Chengkun Cai, Jagmohan Chauhan·· 12 小时前AI 评分31
MoI-Bench：面向移动端图像生成与编辑的基准测试
MoI-Bench: A Benchmark for Image Generation and Editing on Mobile Devices
AI 导读
研究者推出 MoI-Bench，一个面向移动端用户需求的图像生成与编辑基准，包含 64 个子任务、1150 个样本，以 16 种操作与 8 类视觉目标两个正交轴组合定义具体任务。配套的 MoI-Eval 引入指令遵循、视觉质量与细节保真三类任务专属标准，并将样本级评分聚合为能力画像。评测显示端侧模型已能高效生成或编辑，但扩展任务覆盖比提升部署效率更值得关注，编辑质量尤其身份保持与文字渲染仍需改进。
正文 · AI 翻译
摘要：开发端侧图像模型需要综合考虑实际用户需求、任务类型与设备资源限制。然而，现有基准测试在识别端侧模型与服务端模型之间的能力差距方面提供的指导有限。我们提出 MoI-Bench，一个基于移动用户需求的基准测试，包含 64 个子任务和 1150 个样本。它定义了 16 种操作（如移除和替换）以及八个视觉目标类别（涵盖人像和文字等内容）。这两者构成两个正交轴，其可适用的组合定义了具体任务，例如去除面部妆容。为了更好地指导模型改进，我们进一步提出 MoI-Eval，引入涵盖指令遵循、视觉质量和细节保留的任务特定标准。我们还构建了样本级评估问题，并将其得分汇总为沿操作、目标和标准轴的整体质量与能力画像。我们评估了具有代表性的端侧模型和服务端模型，并测量了移动端部署成本。结果表明，这种解耦的“操作 × 目标”设计为改进紧凑模型提供了更细粒度的指导。例如，它突出了应优先关注特定能力差距（如文字替换），而非宽泛的应用级目标（如改进文字编辑）。与使用单一分数对模型进行排名的传统基准测试不同，我们引入二维质量-可部署性能力图来评估模型在实际移动使用中的表现。该图显示，当前端侧模型能够实现高效生成或编辑，但扩展其任务覆盖范围比进一步提升部署效率更值得关注。进一步进展需要提升编辑质量，尤其是身份保持和文字渲染，同时拓宽任务覆盖范围。
| 评论： | 项目页面：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37599 [cs.CV] |
| （或 arXiv:2610.37599v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37599 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kailai Feng [查看邮箱]
[v1]
2026年10月27日星期二 17:31:40 UTC（46,980 KB）
来源：arXiv cs.AI · arxiv.org