Stable Diffusion v1.5
PulseAugur coverage of Stable Diffusion v1.5 — every cluster mentioning Stable Diffusion v1.5 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的ReGain方法改进了扩散模型中合成图像的个性化效果
研究人员开发了一种名为ReGain的新方法，以提高文本到图像扩散模型生成的个性化图像的保真度。当模型在合成图像上进行微调时，它们往往会产生过饱和的颜色和过多的高频细节，这个问题被追溯到分类器自由引导（CFG）。ReGain是一种采样时间校正方法，可以缩小引导中膨胀的频率带，而无需真实照片。应用于Stable Diffusion v1.5后，ReGain成功地缩小了与在真实图像上训练的模型相比，主体保真度差距的很大一部分，同时在SDXL…
-
DICE技术通过优化嵌入来增强文本到图像生成
研究人员开发了一种名为DICE（Distilling Classifier-Free Guidance into Text Embeddings）的新技术，以改进文本到图像生成。DICE优化文本嵌入，使其能够模仿无分类器引导（CFG）的效果，而无需相关的计算成本。该方法旨在提高生成图像与文本提示的对齐度，同时显著加快采样过程。在Stable Diffusion v1.5、SDXL和PixArt等模型上的实验证明了DICE在保留语义信息…
-
新的MIND框架实现了文本到图像模型的先进越狱
研究人员开发了一个名为MIND（Mind Model Induced Noise Decoupling）的新框架，用于绕过文本到图像模型的安全防御。与以往将模型反馈视为简单成功或失败的方法不同，MIND将拒绝和视觉阻塞等各种失败模式解释为丰富的信号。该方法通过迭代信念更新和有效攻击策略的检索来模拟目标系统的潜在防御，从而实现更有效和语义一致的越狱。实验表明，MIND在基准测试和商业系统中取得了很高的攻击成功率，显著优于现有方法。
-
新的CFG-OEC方法提高了扩散模型采样精度
研究人员推出了一种新方法CFG-OEC，通过解决结构性采样误差来改进扩散模型的条件采样。该误差源于训练期间的采样规则与目标之间的不匹配。CFG-OEC修改了分类器自由引导过程，以减少条件和无条件预测误差之间的相互作用，从而提高图像生成质量。