计算机科学 > 计算机视觉与模式识别
[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
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。
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.