English(EN) When Preference Labels Fall Short: Aligning Diffusion Models from Real Data

真实数据为对齐扩散模型提供了新途径

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-19 13:35

研究人员探索了使用真实世界图像作为对齐扩散模型的来源，超越了依赖模型生成的偏好对的传统方法。这种新方法通过对比真实图像与生成或扰动样本来构建偏好信号，避免了手动标注的需要。研究表明，这种基于真实数据的监督是有效的，其性能与现有的基于偏好的对齐技术相当，并为指导生成模型提供了一种实用、标签高效的替代方案。 AI

影响这项研究为对齐扩散模型提供了一种更实用、标签更高效的方法，有望提高生成图像的质量和可控性。

排序理由学术论文，详细介绍了一种使用真实数据对齐扩散模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Pengxu Wei · 2026-05-19 13:35

When Preference Labels Fall Short: Aligning Diffusion Models from Real Data

Preference alignment aims to guide generative models by learning from comparisons between preferred and non-preferred samples. In practice, most existing approaches rely on preference pairs constructed from model-generated images. Such supervision is inherently relative and can b…

报道来源 [1]

When Preference Labels Fall Short: Aligning Diffusion Models from Real Data

相关实体

相关话题