sitcom
PulseAugur coverage of sitcom — every cluster mentioning sitcom across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MeanFlow-Transfer方法加速生成模型训练
研究人员开发了一种名为MeanFlow-Transfer (MF-T)的新方法，用于在数据有限的新领域上加速生成模型的训练。该方法通过将不同的源模型输出映射到共享的速度表示中，实现了适应和加速的统一，从而能够优化各种预训练模型。此外，还引入了Continuous Adversarial MeanFlow (CAMF)作为一种训练后技术，通过将对抗性精炼扩展到有限区间平均速度，增强了对精细细节的恢复能力，提高了图像质量，并显著减少了所需…
-
MixFlow训练方法通过解决暴露偏差来改进扩散模型
研究人员推出了一种名为MixFlow的新型训练方法，旨在减轻扩散模型中的暴露偏差。该方法利用源自慢流现象的“慢速插值混合”，其中更接近生成数据的真实插值对应于更高噪声的时间步长。在包括SiT、REPA和RAE模型在内的类别条件图像生成实验中，MixFlow均显示出有效性。值得注意的是，MixFlow应用于RAE模型在ImageNet上取得了强大的生成结果，在256x256和512x512分辨率下，引导下的FID分数低至1.10。
-
新方法增强视觉生成模型，提高图像质量和多样性 · 跟踪 6 个来源
研究人员开发了新的方法来优化视觉生成模型，解决了奖励欺骗和模式崩溃等问题。一种方法在强化学习中使用逐分布奖励来提高图像多样性和质量，在 SiT 和 EDM2 等模型的 FID-50K 分数上显示出显著的改进。另一种方法，表示分布匹配 (RDM)，通过匹配冻结编码器下的特征分布来训练单步图像生成器，在 ImageNet 上取得了新的最先进成果，并改进了 FLUX.2 等现有模型。
-
新论文揭示生成模型FID分数存在显著随机性
一篇题为“FID彩票”的新论文调查了用于生成模型评估的Fréchet Inception Distance (FID)指标的可复现性。研究表明，使用不同种子重新训练模型对FID的影响比简单地从固定网络重采样大3.2倍。这种差异归因于随机初始化、数据排序和流匹配损失等因素。该研究提出了一个修订版的FID评估协议，包括每个单元格的最佳引导和跨多个训练种子的误差条，以解释这种固有的随机性。