计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
]
标题: 双过程图像生成
标题: Dual-Process Image Generation
摘要: 先前用于控制图像生成的方法在学习新任务的能力上存在局限性。相比之下,视觉语言模型(VLMs)能够上下文学习任务,并为给定输入生成正确的输出。我们提出了一种双重过程蒸馏方案,使前馈图像生成器能够从深思熟虑的VLMs学习新任务。我们的方案使用VLM对生成的图像进行评分,并反向传播此梯度以更新图像生成器的权重。我们的通用框架通过相同的基于文本和图像的界面实现了各种新的控制任务。我们展示了这项技术在不同类型的控制信号(如常识推理和视觉提示)中的几种应用。通过我们的方法,用户可以在几分钟内实现多模态控制,例如颜色调色板、线条粗细、地平线位置以及相对深度等属性。项目页面:https://dual-process.github.io。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.