Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.01955v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.01955v1 (cs)
[提交于 2025年6月2日 ]

标题: 双过程图像生成

标题: Dual-Process Image Generation

Authors:Grace Luo, Jonathan Granskog, Aleksander Holynski, Trevor Darrell
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。
摘要: Prior methods for controlling image generation are limited in their ability to be taught new tasks. In contrast, vision-language models, or VLMs, can learn tasks in-context and produce the correct outputs for a given input. We propose a dual-process distillation scheme that allows feed-forward image generators to learn new tasks from deliberative VLMs. Our scheme uses a VLM to rate the generated images and backpropagates this gradient to update the weights of the image generator. Our general framework enables a wide variety of new control tasks through the same text-and-image based interface. We showcase a handful of applications of this technique for different types of control signals, such as commonsense inferences and visual prompts. With our method, users can implement multimodal controls for properties such as color palette, line weight, horizon position, and relative depth within a matter of minutes. Project page: https://dual-process.github.io.
主题: 计算机视觉与模式识别 (cs.CV) ; 计算与语言 (cs.CL); 机器学习 (cs.LG)
引用方式: arXiv:2506.01955 [cs.CV]
  (或者 arXiv:2506.01955v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.01955
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Grace Luo [查看电子邮件]
[v1] 星期一, 2025 年 6 月 2 日 17:59:56 UTC (8,782 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.CL
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号