PulseAugur
实时 16:01:37
English(EN) EMoE: Training-Free Expert Disagreement for Uncertainty-Aware Text-to-Image Diffusion

EMoE 方法估计文本到图像扩散模型中的不确定性

研究人员开发了一种名为 EMoE 的新方法,无需额外训练即可估计文本到图像扩散模型中的不确定性。EMoE 利用现有专家混合(MoE)扩散模型中不同“专家”路径之间的分歧。通过测量第一个去噪步骤后潜在表征的方差,EMoE 可以预测图像生成不匹配的可能性,为分析提示风险和模型偏差提供了一个实用工具。 AI

影响 提供了一种无需训练即可评估扩散模型中提示风险和模型偏差的方法。

排序理由 该集群包含一篇研究论文,详细介绍了分析文本到图像扩散模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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]

  1. arXiv cs.AI TIER_1 English(EN) · Lucas Berry, Axel Brando, Wei-Di Chang, Juan Camilo Gamboa Higuera, David Meger ·

    EMoE: Training-Free Expert Disagreement for Uncertainty-Aware Text-to-Image Diffusion

    arXiv:2505.13273v2 Announce Type: replace Abstract: Large text-to-image diffusion models rarely expose reliable signals of when a prompt is likely to produce a poorly aligned generation, especially when training data is undisclosed. We study whether expert disagreement inside pre…