概述
本文为文本到图像（T2I）模型提出了一种新的强化学习方法。
传统的 GRPO（组相对策略优化）方法使用基于分数的奖励模型来评估生成图像的质量，并通过对组内分数进行归一化来更新衡量标准。
然而，这种方法容易出现一个被称为 "奖励黑客 "的问题，即分数增加，图像质量却下降。
作者指出，这是 "虚幻优势 "造成的。
当生成图像之间的分数差异非常小，而归一化会过度强调差异时，就会出现这种情况。
为了解决这个问题，研究提出了一种名为 Pref-GRPO 的新方法。
这是一种基于图像对之间的相对偏好（成对偏好）而不是绝对分数来更新测量结果的机制。
此外，作者还为模型评估设计了一种名为 "UniGenBench "的新基准，可从细粒度维度评估 T2I 模型的性能。
这项工作的意义在于，它克服了传统方法的局限性，能够以更稳定的方式学习图像生成，并符合人类的偏好。
建议的方法
Pref-GRPO 的核心思想是将学习目标从传统的奖励分数最大化转移到 “相对偏好匹配”。
具体来说，针对给定的提示生成多张图像，并进行配对比较。
使用成对奖励模型（PPRM）来确定哪张图片更受欢迎，并将胜率作为奖励信号。
每张图片的胜率在组内进行归一化处理，并用于更新衡量标准。
这种设计有三个优点。
首先，胜出率的使用增加了奖励的方差，可以更清楚地区分质量好和质量差的图像。
其次，由于它是基于相对排名而不是绝对分数差异，因此对奖励噪音具有很强的抗干扰能力，并减少了奖励黑客的出现。
第三，它能提供更自然、更忠实的奖励信号，因为它反映了人类的判断本质上是基于相对比较这一事实。
此外，在评估方面，作者提出的 UniGenBench 甚至可以对文本理解和逻辑推理等细节维度进行评估，从而可以对模型的优缺点进行详细分析。
实验
在实验中，Pref-GRPO 首先与现有的奖励最大化方法（HPS、CLIP、UnifiedReward 等）进行了比较。
实验使用 Flux.1-dev 作为基础模型，并使用 UniGenBench 进行评估。
结果显示，Pref-GRPO 的总分提高了约 6 分，尤其是在逻辑推理和文本绘制方面。
此外，传统方法会出现 "奖励黑客 "现象，即在训练过程中奖励分数增加，图像质量却下降，而 Pref-GRPO 则有效地抑制了这一现象。
此外，对生成的图像进行定性比较后发现，现有方法会出现过度饱和等不自然的倾向，而 Pref-GRPO 则能生成更自然、更稳定的表达。
此外，在外部基准（GenEval 和 T2I-CompBench）中也观察到了稳定的性能改进。
使用 UniGenBench 进行的广泛模型比较显示，GPT-4o 和 Imagen-4.0-Ultra 等封闭源模型表现良好，而 Qwen-Image 和 HiDream 等开放源模型也取得了快速进步。
总之，可以得出结论，这种方法是显著提高 T2I 强化学习稳定性和实用性的有效方法。
