マルチ被写体のパーソナライズ画像生成では、ガイドプロンプトに基づいて、要求されたすべての参照アイデンティティとそれらの指定されたインタラクションを正確に描画する必要がある。しかし、最先端のモデルでもこのプロセスには依然として苦戦しており、被写体の省略、参照外観の保持失敗、インタラクションの誤帰属が頻繁に発生する。さらに、主に単一被写体の忠実度のために設計された既存の指標は、これらのエラーを確実に捉えることができず、被写体数が増えるにつれてランキングの分離可能性が著しく低下し、人間の選好との整合性も失われる。
このギャップを埋めるため、Zhihan Chenら10名の著者からなる研究チームは、マルチ被写体インタラクション・ベンチマークと評価器（MIBE）を提案した。これは、マルチ被写体インタラクション・ベンチマーク（MIB）とマルチ被写体インタラクション評価器（MIE）からなる統合フレームワークである。MIBは、分離されたデータレジームを通じて、多様な関係タイプとシーン複雑度を体系的にカバーする。具体的には、スケーラブルな指標訓練のための、視覚言語モデル（VLM）でラベル付けされた6万ペアのSilver Setと、多様な最先端生成器をカバーする4千ペアの二重盲検人間評価Gold Setで構成される。Silver Setは、VLM間の選好一致率95.1%を達成している。
このベンチマークの有用性を示すため、研究チームはMIEを提示する。MIEは、Silver Setのみで訓練された軽量な参照条件付き評価器であり、デュアルヘッドのランキングと診断目標を採用している。Gold Set上で、MIEは生成器間の強力な汎化性能を示し、人間の選好に対する全体のペアワイズ精度0.922を達成した。これは、既知の生成器で0.982、未知の生成器で0.884を含む。MIEはCLIPやDINOの変種を含む幅広いベースライン指標を上回り、診断的監督が従来の評価器が崩壊する場面でもランキングの分離可能性と人間との整合性を維持できることを実証している。
本論文は2026年7月1日に提出され、コンピュータビジョンとパターン認識（cs.CV）に分類され、arXiv番号は2607.01383である。著者はZhihan Chenを含む10名である。MIBEフレームワークは、マルチ被写体パーソナライズ画像生成の品質評価に新たな基準と手法を提供し、この分野をより信頼性が高く、人間の知覚に沿った方向へ発展させる可能性がある。