ИССЛЕДОВАНИЕ · RESEARCH · #1514
SatisDive: метод инференса «сatisficing» для границы качество–разнообразие в текст→изображение диффузии
Статья (arXiv:2610.02372v1) формулирует задачу генерации изображений как «satisficing»: каждый кандидат должен превышать порог вознаграждения, а пакет — порог разнообразия, и предлагает SatisDive — метод на этапе инференса без дополнительного обучения, который использует относительный порог вознаграждения в пакете для улучшения низкооценённых кандидатов и стимулирования разнообразия среди высоко оценённых. На наборе Pick-a-Pic при сопоставимых значениях DreamSim SatisDive повышает показатель худшего кандидата по сравнению с FK steering до 0.43 с FLUX.1-dev (HPSv3) и до 0.70 с SANA-1.6B (ImageReward), а кривая качество–разнообразие SatisDive доминирует над FK steering в приведённых экспериментах.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья (arXiv:2610.02372v1) формулирует задачу генерации изображений как «satisficing»: каждый кандидат должен превышать порог вознаграждения, а пакет — порог разнообразия, и предлагает SatisDive — метод на этапе инференса без дополнительного обучения, который использует относительный порог вознаграждения в пакете для улучшения низкооценённых кандидатов и стимулирования разнообразия среди высоко оценённых.
- На наборе Pick-a-Pic при сопоставимых значениях DreamSim SatisDive повышает показатель худшего кандидата по сравнению с FK steering до 0.43 с FLUX.1-dev (HPSv3) и до 0.70 с SANA-1.6B (ImageReward), а кривая качество–разнообразие SatisDive доминирует над FK steering в приведённых экспериментах.
- Предоставляет метод без дополнительного обучения для управления и улучшения баланса между качеством отдельных изображений и разнообразием пакета, улучшая качество худших кандидатов.
ПОЧЕМУ ЭТО ВАЖНО
Предоставляет метод без дополнительного обучения для управления и улучшения баланса между качеством отдельных изображений и разнообразием пакета, улучшая качество худших кандидатов.