PulseAugur
实时 19:18:52
English(EN) Designing Instance-Level Sampling Schedules via REINFORCE with James-Stein Shrinkage

研究人员为文本到图像模型设计实例级采样计划

研究人员开发了一种新方法,通过为冻结的扩散模型学习实例级采样计划来改进文本到图像生成。该方法在最近的 arXiv 论文中有所详述,它使用带有新颖 James-Stein 估计器的 REINFORCE 算法来获得奖励基线,以提高梯度准确性。该技术在文本到图像对齐方面取得了改进,包括在各种 Stable DiffusionFlux 模型系列中更好地进行文本渲染和组合控制。 AI

影响 增强了预训练采样器的生成潜力,在不重新训练模型的情况下提高了文本到图像的对齐和控制能力。

排序理由 学术论文,详细介绍了改进扩散模型采样计划的新颖方法。

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 →

研究人员为文本到图像模型设计实例级采样计划

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Peiyu Yu, Suraj Kothawade, Sirui Xie, Ying Nian Wu, Hongliang Fei ·

    Designing Instance-Level Sampling Schedules via REINFORCE with James-Stein Shrinkage

    arXiv:2511.22177v2 Announce Type: replace-cross Abstract: Most post-training methods for text-to-image samplers focus on model weights: either fine-tuning the backbone for alignment or distilling it for few-step efficiency. We take a different route: rescheduling the sampling tim…