pareto-optimality

Amazon 与 UCF 的研究人员提出了 SatisDive，这是一种无需训练的推理时方法。该方法将文本到图像的生成建模为“满意化”（satisficing）问题——要求每个候选样本都达到一个奖励下限，同时整个批次还需满足一个多样性阈值。研究表明，通过调节奖励下限，可以描绘出最差候选样本奖励与批次多样性之间的 Pareto 前沿；并且在使用 FLUX.1-dev 和 SANA-1.6B 的 Pick-a-Pic 数据集上，SatisDive 在 Pareto 意义上优于 FK steering。