论文页面 - TILT: 利用模型内在奖励改进扩散模型的组合生成

来源: https://huggingface.co/papers/2607.21606

摘要

近年来，强大的文生图生成模型取得了显著进展，这使得开发测试时方法（通过修改采样轨迹以生成更忠实于复杂组合提示的图像）变得愈发重要。本文提出 TILT，一种基于测试时奖励对齐的无训练组合文生图框架。我们将组合失败解释为联合概念分布与单一概念分布之间的重叠模式，并定义了一个奖励函数，该函数偏好所有概念共同出现的样本。该奖励内置于基础模型中，无需任何外部监督或奖励模型。由此得到一个 KL 约束的目标函数，具有闭式偏移目标分布和原则性的扩散采样引导步骤。概念分布的相互作用与上述奖励自然衍生出两种不同的引导策略，而一种平衡各自优势的混合方法则能产生更强的性能。在 T2ICompBench 提示上的实验表明，与先前基线相比，我们的方法在保持图像质量的同时提升了组合对齐效果。

查看 arXiv 页面 (https://arxiv.org/abs/2607.21606)查看 PDF (https://arxiv.org/pdf/2607.21606)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.21606)

将这篇论文加入您的 agent:

hf papers read 2607.21606

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型0

暂无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.21606，以从本页链接到该论文。

引用该论文的数据集0

暂无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.21606，以从本页链接到该论文。

引用该论文的 Spaces0

暂无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.21606，以从本页链接到该论文。

包含该论文的收藏集0

暂无收藏集包含此论文

将这篇论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从本页链接到它。