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:2506.03067v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.03067v1 (cs)
[提交于 2025年6月3日 ]

标题: 编辑器:文本到图像扩散模型的有效且可解释的提示反演

标题: EDITOR: Effective and Interpretable Prompt Inversion for Text-to-Image Diffusion Models

Authors:Mingzhe Li, Gehao Zhang, Zhenting Wang, Shiqing Ma, Siqi Pan, Richard Cartwright, Juan Zhai
摘要: 文-图生成模型(例如,Stable Diffusion)取得了显著进展,能够基于文本描述创建高质量且逼真的图像。 提示反演任务旨在识别用于生成特定作品的文本提示,在数据归因、模型溯源和水印验证等应用中具有重要意义。 近期研究引入了一种延迟投影方案,以优化代表词汇空间的提示,但语义流畅性和效率方面的挑战仍然存在。 先进的图像描述模型或视觉大语言模型可以生成高度可解释的提示,但它们往往缺乏图像相似性。 本文提出了一种针对文-图扩散模型的提示反演技术\sys ,包括使用预训练的图像描述模型初始化嵌入,通过潜在空间逆向工程进行精炼,并利用嵌入到文本模型将其转换为文本。 我们在广泛使用的数据集(如MS COCO、LAION和Flickr)上的实验表明,我们的方法在图像相似性、文本对齐、提示可解释性和泛化能力方面优于现有方法。 我们进一步展示了所生成提示在跨概念图像合成、概念操作、进化多概念生成和无监督分割等任务中的应用。
摘要: Text-to-image generation models~(e.g., Stable Diffusion) have achieved significant advancements, enabling the creation of high-quality and realistic images based on textual descriptions. Prompt inversion, the task of identifying the textual prompt used to generate a specific artifact, holds significant potential for applications including data attribution, model provenance, and watermarking validation. Recent studies introduced a delayed projection scheme to optimize for prompts representative of the vocabulary space, though challenges in semantic fluency and efficiency remain. Advanced image captioning models or visual large language models can generate highly interpretable prompts, but they often lack in image similarity. In this paper, we propose a prompt inversion technique called \sys for text-to-image diffusion models, which includes initializing embeddings using a pre-trained image captioning model, refining them through reverse-engineering in the latent space, and converting them to texts using an embedding-to-text model. Our experiments on the widely-used datasets, such as MS COCO, LAION, and Flickr, show that our method outperforms existing methods in terms of image similarity, textual alignment, prompt interpretability and generalizability. We further illustrate the application of our generated prompts in tasks such as cross-concept image synthesis, concept manipulation, evolutionary multi-concept generation and unsupervised segmentation.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.03067 [cs.CV]
  (或者 arXiv:2506.03067v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.03067
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Mingzhe Li [查看电子邮件]
[v1] 星期二, 2025 年 6 月 3 日 16:44:15 UTC (40,221 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
许可图标 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

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