TPIPS

现有视觉相似性度量（如LPIPS, DreamSim）将相似性坍缩为单一标量，无法根据特定视觉方面（如颜色、姿态）进行条件化。本文提出TPIPS，通过微调Qwen3-VL-8B-Emb并构建包含25K图像三元组的大规模数据集，实现基于自由文本提示的细粒度、多面视觉相似性度量。实验显示，TPIPS在Odd-one-out任务上将模型-人类一致性差距从9.1%缩小至2.8%，在2AFC域外任务上将误差从15.8%降低至10.0%。该方法在条件化检索和生成模型评估中展现出新能力，但计算成本高于传统度量。