GenEval2
PulseAugur coverage of GenEval2 — every cluster mentioning GenEval2 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的AI框架增强了代理视频和图像生成能力 · 跟踪了6个来源
研究人员正在开发新的框架来增强AI模型中的代理能力，特别是在视频生成和空间推理方面。ReTAC专注于视频空间推理的残差测试时计算，确保额外计算仅在需要时应用，并在失败时重新计算受影响的状态。类似地，GenRevisit通过允许代理重新访问之前的图像状态并进行改进来解决组合图像生成中的挑战，从而改进了对动作的信用分配。另一种方法，Any Time, Any Space (ATAS)，为长篇代理视频生成提供了一个以世界状态为中心的框架，利…
-
ExploreNet 通过学习自适应噪声尺度来增强扩散模型
研究人员开发了 ExploreNet，这是一种新颖的策略，旨在通过在扩散模型中学习自适应探索分布来改进图像生成。与之前应用均匀噪声的方法不同，ExploreNet 根据当前的潜在表示、去噪步骤和提示来预测每个潜在元素的噪声尺度。这种方法在 Stable Diffusion 3.5 Medium 上进行了测试，在 GenEval2 等基准测试中显著提高了性能，并取得了高人类偏好胜率，证明了探索分布的形状比其幅度更关键。
-
EvoGen-Harness 框架通过进化外部组件来增强 T2I 模型
研究人员开发了 EvoGen-Harness，一个旨在增强文本到图像（T2I）生成系统而无需更改核心生成器参数的新颖框架。该系统专注于通过同时进化多个职责来适应提示或路由等外部组件。它使用一种称为 Trace 的方法来有效地归因失败并指导进化，从而防止不必要的更新并提高各种基准的性能。
-
扩散模型研究解决覆盖率、表格数据和效率问题 · 跟踪 6 个来源
近期研究探索了扩散模型的进展，重点是提高其效率和覆盖率。一篇论文介绍了 'pass@k' 来评估蒸馏扩散模型的分布覆盖率，揭示某些训练目标可能会牺牲广泛覆盖率以换取单次抽样的质量。另一项研究提出了 CDMD，一种用于表格数据的跨数据集扩散模型，该模型在异构数据集上以更少的参数实现了高质量生成。此外，还详细介绍了改进的分布扩散模型 (DDM)，它们减轻了训练开销，并允许进行依赖于时间的超参数调整，从而在图像生成任务上表现出色，且在不同采…
-
新的SHIP方法改进了文本到图像生成的风险控制
研究人员开发了一种名为SHIP（Selection-aware Held-out calibration of Inference Policies）的新方法，以改进文本到图像生成系统中的风险控制。当前的方法通常在单个图像级别校准风险，当系统选择或优化候选图像时会导致不匹配。SHIP通过在预留的提示上重放整个策略并评估实际发布的图像来解决这个问题，从而实现更准确的风险评估和控制。实验表明，与传统方法相比，SHIP可以显著降低发布风险，…