# Zgodność obrazu z opisem (CLIPScore, VQAScore)

EN: **Text–image alignment scoring (CLIPScore, VQAScore)** · id `textimagealignment` · aliases: text-image alignment evaluation, image-text alignment scoring, ocena zgodności tekst–obraz

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Ewaluacja i interpretowalność](https://aiatlasgraph.com/t/evaluation.md) › [Ewaluacja generowanych obrazów, wideo i mowy](https://aiatlasgraph.com/t/genmediaeval.md) › Zgodność obrazu z opisem (CLIPScore, VQAScore)

## Description

- PL: Metryki zgodności tekst–obraz: podobieństwo osadzeń obrazu i tekstu (CLIPScore) lub prawdopodobieństwo odpowiedzi „tak” modelu VQA (VQAScore).
- EN: Text–image alignment metrics: image–text embedding similarity (CLIPScore) or a VQA model's probability of answering “yes” (VQAScore).

## In one sentence

- PL: Automatyczne sprawdzanie, czy wygenerowany obraz naprawdę pokazuje to, o co prosiło polecenie.
- EN: Automatically checking whether a generated picture really shows what the request asked for.

## Problem it solves

- PL: Generator robi ładny obraz, ale myli liczbę przedmiotów, kolory albo kto stoi po lewej, a nikt nie ma czasu tego sprawdzać.
- EN: A generator makes a pretty picture but mixes up item counts, colours or who stands on the left, and nobody has time to check.

## What it does

- PL: Zadaje drugiemu modelowi, który rozumie obrazy, pytanie „czy na tym obrazku jest to, co opisano?” i liczy, jak pewnie odpowiada „tak”.
- EN: It asks a second, image-reading model “does this picture show what was described?” and measures how confidently it says yes.

## Everyday example

- PL: Prosisz o „czerwony kubek obok dwóch niebieskich książek”; ocena wykrywa, że na obrazku są trzy książki i kubek jest zielony.
- EN: You ask for “a red mug next to two blue books”; the score catches that the picture shows three books and a green mug.

## This concerns you if you…

- PL: tworzysz grafiki z opisu i potrzebujesz trafnych szczegółów
- PL: porównujesz generatory na złożonych poleceniach
- EN: make images from descriptions and need accurate details
- EN: compare generators on complex prompts

## Keywords

CLIPScore · VQAScore · GenAI-Bench · GenEval · TIFA · DSG · T2I-CompBench · CLIP-FlanT5

## How it works

- PL: CLIPScore liczy podobieństwo kosinusowe osadzeń obrazu i opisu we wspólnej przestrzeni. VQAScore pyta model wizja–język, czy obraz przedstawia dany tekst, i bierze prawdopodobieństwo odpowiedzi „Yes”. Benchmarki typu GenAI-Bench zbierają złożone kompozycyjne prompty z ocenami ludzi do walidacji.
- EN: CLIPScore computes cosine similarity between image and caption embeddings in a shared space. VQAScore asks a vision–language model whether the image shows the text and uses the probability of “Yes”. Benchmarks like GenAI-Bench collect compositional prompts with human ratings for validation.

## Limits

- PL: Według autorów VQAScore enkoder tekstu CLIP często ignoruje kolejność słów, więc CLIPScore słabo radzi sobie z relacjami i liczeniem. Model oceniający dziedziczy własne błędy percepcji i może faworyzować style podobne do swoich danych.
- EN: VQAScore authors note CLIP's text encoder often ignores word order, so CLIPScore struggles with relations and counting. The judging model inherits its own perception errors and may favour styles close to its training data.

## Key terms

- PL: **prompt kompozycyjny**: Polecenie łączące kilka obiektów, cech i relacji przestrzennych.
- PL: **VQA**: Model odpowiadający na pytania o treść obrazu.
- EN: **compositional prompt**: A request combining several objects, attributes and spatial relations.
- EN: **VQA**: A model answering questions about an image's content.

## Know first

- [Wspólna przestrzeń obraz–tekst (CLIP) (Contrastive image–text pretraining (CLIP))](https://aiatlasgraph.com/t/clipcontrastive.md)
- [Pytania i odpowiedzi o treść obrazu (VQA) (Visual question answering (VQA))](https://aiatlasgraph.com/t/vqa.md)

## Related topics

Untyped, symmetric "see also" links.

- [Generowanie obrazów z opisu tekstowego (Text-to-image generation)](https://aiatlasgraph.com/t/texttoimage.md)

## Sources

- [Evaluating Text-to-Visual Generation with Image-to-Text Generation](<https://arxiv.org/abs/2404.01291>) `vqascore-2024` · by Zhiqiu Lin, Deepak Pathak, Baiqi Li, Jiayao Li, Xide Xia, Graham Neubig, Pengchuan Zhang, Deva Ramanan

---

AI Atlas revision 131 (2026-11-07) · HTML: https://aiatlasgraph.com/t/textimagealignment · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-06