PulseAugur
中
实时 09:20:12
English(EN) Signed Rectified Flow: Negativity-Controlled Generation

Signed Rectified Flow 实现负约束AI生成

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的生成模型技术——Signed Rectified Flow (Signed RF)，它通过针对有符号测度来扩展Rectified Flow。该方法允许在抑制不需要的分布的同时促进期望的分布，为整合负面信息和排除约束提供了一种原则性的方法。Signed RF在ImageNet上的图像生成保真度和多样性方面有所提高，在反记忆测试中降低了相似性，并在Stable Diffusion 3.5中减少了不希望的内容生成，同时保持了美学和CLIP分数。 AI

影响 引入了一种控制生成模型的新方法，有望改善内容过滤和数据多样性。

排序理由 该集群包含一篇详细介绍新生成建模技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Signed Rectified Flow 实现负约束AI生成

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Runlong Liao, Baiyu Su, Lizhang Chen, Qiang Liu ·

    Signed Rectified Flow: Negativity-Controlled Generation

    arXiv:2607.18516v1 Announce Type: new Abstract: We introduce Signed Rectified Flow (Signed RF), a generalization of Rectified Flow that targets the signed measure $\pi^{sign} = (1+\alpha)\pi^+ - \alpha\pi^-$, where $\alpha>0$, $\pi^+$ is the distribution to promote, and $\pi^-$ i…

相关实体

相关话题