SD3.5-M
PulseAugur coverage of SD3.5-M — every cluster mentioning SD3.5-M across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究探索离散流匹配和强化学习在生成模型中的应用
两篇研究论文探讨了生成模型方面的进展，重点关注离散结构和基于流的模型。第一篇论文引入了上下文加权离散流匹配，通过考虑局部上下文来提高离散数据上的生成质量，在OpenWebText上将生成困惑度降低了高达63%。第二篇论文（已被撤回）提出了SuperFlow，一个使用强化学习的框架，用于提高文本到图像生成流模型的训练效率和性能，显示出训练时间的显著缩短和优于现有模型的性能。
-
新的强化学习方法提高了文本到图像AI的多样性和公平性
研究人员开发了一种新的强化学习目标，称为多轴最大化@K，以提高文本到图像生成模型的多样性和公平性。该方法解决了当前模型对同一提示经常产生有限范围的视觉上不同的输出的问题，这可能会加剧人口统计偏见。通过将有助于覆盖不同语义模式的样本计入，多轴最大化@K相对于基础模型将公平性分数提高了高达0.36，同时保持了图像质量和文本对齐。
-
MeanFlowNFT 将前向过程强化学习应用于平均速度生成器
研究人员推出了一种名为 MeanFlowNFT 的新颖框架，该框架将强化学习（RL）技术应用于 MeanFlow 生成器，以实现更快、更高效的内容生成。该方法弥合了瞬时速度和平均速度预测之间的差距，使 MeanFlow 生成器能够在无需复杂逆向过程计算的情况下，与人类偏好和特定任务目标保持一致。实验表明，MeanFlowNFT 显著提高了基线性能，甚至可以在使用更少的采样步骤的情况下超越多步 RL 调优的扩散模型，在图像和视频生成应用…
-
FlowBP框架增强文本到图像模型的对齐
研究人员推出了一种新颖的框架FlowBP，旨在改进文本到图像生成中使用的流匹配模型的对齐。该框架通过将反向轨迹视为可定制的设计元素，解决了内存和梯度链接的限制。FlowBP提供了四种关键的优化选择，包括奖励模型输入和集成权重，并在SD3.5-M和FLUX.2-Klein-base等模型上展示了各种指标的改进。
-
新的FlowBP框架增强了文本到图像模型的对齐能力
研究人员推出了一种名为FlowBP的新框架，旨在提高文本到图像模型与人类偏好的对齐度。该方法通过创建替代的反向轨迹，解决了直接奖励反向传播的内存限制和梯度膨胀等局限性。FlowBP提供了三种变体，可以限制内存使用并减少梯度链式反应，在SD3.5-M和FLUX等模型上展示了各项指标的改进。