Position: Universal Aesthetic Alignment Narrows Artistic Expression
Department of CMPS, University of British Columbia, Kelowna, Canada（计算机科学与工程系，不列颠哥伦比亚大学，加拿大克洛维纳）
本文探讨了将图像生成模型过度对齐通用审美偏好与用户意图冲突的问题，指出生成模型倾向于产生传统美观输出，忽视用户对低质量或负面图像的指令。
2026-05-12 cs.AI cs.CV cs.CY
LumiCtrl : Learning Illuminant Prompts for Lighting Control in Personalized Text-to-Image Models
Computer Vision Center, Spain（西班牙计算机视觉中心）；City University of Hong Kong（香港城市大学）；Computer Sciences Department, Universitat Autònoma de Barcelona, Spain（西班牙巴塞罗那自治大学计算机科学系）；Program of Computer Science, City University of Hong Kong (Dongguan)（香港城市大学（东莞）计算机科学项目）
本文提出LumiCtrl方法，通过学习单个物体图像的光照提示，实现对文本到图像模型中光照的精准控制，提升生成图像的光照真实性、审美质量和场景一致性。
2026-04-09 cs.CV
Photography Perspective Composition: Towards Aesthetic Perspective Recommendation
vivo Mobile Communication Co., Ltd（vivo移动通信有限公司）
本文提出摄影视角构图（PPC）方法，通过自动化数据集构建、视频生成和视角质量评估模型，解决视角变换数据稀缺和评估标准模糊的问题，帮助普通用户提升摄影构图能力。
2026-01-25 cs.CV
Beyond Aesthetics: Cultural Competence in Text-to-Image Models
Google DeepMind（谷歌DeepMind）；Google Research（谷歌研究院）；IIT Bombay（印度理工学院孟买分校）；Princeton（普林斯顿大学）
针对文本到图像模型忽视文化能力的问题，提出CUBE基准，从文化意识与多样性两个维度评估，并揭示现有模型的显著差距，以促进全球适应性发展。
2025-01-20 cs.CV
VMix: Improving Text-to-Image Diffusion Model with Cross-Attention Mixing Control
ByteDance Inc（字节跳动公司）；University of Science and Technology of China（中国科学技术大学）
本文提出即插即用的美学适配器VMix，通过将文本提示解耦为内容与美学描述，并利用值混合交叉注意力注入美学条件，在不重新训练的情况下提升扩散模型生成图像的美学质量，实验表明其优于现有方法并兼容LoRA、ControlNet等社区模块。
2024-12-30 cs.CV
DOGS: Design-Space Sampling for Prompt-Driven Logo Generation
Virginia Tech（弗吉尼亚理工大学）；Verisign, Inc.（威瑞信公司）
本研究针对标志生成任务提出DOGS方法，将标志提示转化为结构化设计空间采样，结合原创性感知GFlowNet采样器，生成的标志兼具高可识别性、美学性与多样性，且能有效规避商标侵权。
2026-10-09 cs.CV
Will People Like Your Image? Learning the Aesthetic Space
评价一幅图像看起来有多美观是一件非常复杂的事情，取决于大量不同的视觉因素。先前的工作已经通过在一维评级量表上排名来解决美学评级问题，例如，融入手工制作的属性。在本文中，我们提出了一个相当普遍的方法来自动映射到一个“美学空间”的复杂性，以允许一个高度细粒度的决议审美愉悦。详细地说，利用深度学习，我们的方法直接将给定图像的编码学习到这个类似视觉美学的高维特征空间中。除了上述视觉因素外，个人判断的差异对照片的可爱程度也有很大影响。如今，在线平台允许用户通过单击来“喜欢”或偏爱某些内容。为了整合各种各样的人，我们利用这样的多用户协议，并收集了一个380K图像（AROD）的大型数据集，以及相关的Meta信息，并得出一个分数来评价给定照片的视觉愉悦程度。我们在用户研究中验证了我们的美学衍生模型。此外，没有任何额外的数据标签或手工制作的功能，我们实现了AVA基准数据集的最先进的准确性。最后，由于我们的方法能够预测任何任意图像或视频的美学质量，因此我们展示了我们在照片集排序，在移动设备上捕捉最佳镜头和从视频中提取美学关键帧的应用程序上的结果。
2017-12-04 cs.CV
Prompt Expansion for Adaptive Text-to-Image Generation
Google Research（谷歌研究院）；Princeton University（普林斯顿大学）；University of Oxford（牛津大学）
本文提出提示词扩展框架，将文本查询扩展为优化后的提示词集合，以提升文本到图像生成的质量与多样性，并通过人工评估验证其优于基线方法。
2023-12-27 cs.CV
RAP-SR: RestorAtion Prior Enhancement in Diffusion Models for Realistic Image Super-Resolution
Sun Yat-sen University（中山大学）；vivo Mobile Communication Co. Ltd（维沃移动通信有限公司）；Fuzhou University（福州大学）
本文提出 RAP-SR，通过高质量美学数据集、修复先验精炼与提示优化增强预训练扩散模型，并可即插即用地提升现有 Real-SR 方法性能。
2024-12-10 cs.CV
From Prompts to Deployment: Auto-Curated Domain-Specific Dataset Generation via Diffusion Models
HDC LABS（HDC实验室）
本文提出通过扩散模型生成领域特定合成数据集的方法，解决预训练模型与现实部署间的分布偏移问题，通过三阶段框架高效构建高质量可部署数据集。
2026-01-13 cs.CV
Prompt Reinjection: Alleviating Prompt Forgetting in Multimodal Diffusion Transformers for Text-to-Image Generation
University of Science and Technology of China（中国科学技术大学）
本研究针对多模态扩散变换器中提示遗忘问题，提出一种无需训练的提示重注入方法，通过将早期层的提示表示重新注入到后期层，以提升指令遵循能力和生成质量。
2026-08-03 cs.CV
Yuan: Yielding Unblemished Aesthetics Through A Unified Network for Visual Imperfections Removal in Generated Images
针对AI生成图像存在的视觉缺陷问题，提出自主修正框架Yuan，以文本提示和分割图像为条件自动生成精确掩码并修复缺陷，实验证明其在多数据集上的定量与定性表现优越，可提升AI生成图像质量和适用性。
2025-01-15 cs.CV eess.IV
TIPO: Text to Image with Text Presampling for Prompt Optimization
TIPO通过文本预采样优化提示，提升文本到图像生成的视觉质量和人类偏好度。
2026-02-08 cs.CV
Preserve Anything: Controllable Image Synthesis with Object Preservation
本文提出 Preserve Anything，利用 N 通道 ControlNet 与对象、背景及高频引导模块实现多对象保留、语义一致和可控构图，并构建 258K 图像基准验证其 SOTA 表现。
2025-07-25 cs.CV
PromptLNet: Region-Adaptive Aesthetic Enhancement via Prompt Guidance in Low-Light Enhancement Net
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；University of Minnesota - Twin Cities（明尼苏达大学双城分校）；Yale University（耶鲁大学）
本文提出PromptLNet，通过收集人类美学偏好训练低光图像美学评估模型，并设计提示驱动的区域亮度调整模块，在主流基准上实现了优于现有方法的视觉质量、灵活性与可控性。
2025-03-11 cs.CV
PRISM: Prompt Refinement via Image-grounded Self-rewarding Mechanism for Text-to-Image Generation
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Sun Yat-sen University（中山大学）；South China University of Technology（华南理工大学）；Guangdong University of Technology（广东工业大学）
针对文本到图像生成模型对提示制定敏感的问题，提出PRISM框架，通过基于图像的自我奖励机制，利用结构化视觉诊断和多任务监督微调等方法，提高图像质量和语义对齐，并提供可解释反馈。
2026-07-28 cs.CV
ArtChart: Faithful Artistic Chart Generation with Integrated Text Rendering
Ant Group（蚂蚁集团）
研究旨在解决艺术图表生成难题，提出ArtChart框架，含特定即插即用模块及强化学习等策略，构建基准测试和评估套件，实验证明该框架能生成兼具美观与数学准确性的图表，优于开源基线。
2026-08-06 cs.CV
Multimodal LLMs Can Reason about Aesthetics in Zero-Shot
The Hong Kong Polytechnic University（香港理工大学）
针对生成艺术创作中深层审美感知难捕捉、多模态大语言模型美学推理易产生幻觉的问题，提出基于证据的客观推理基线ArtCoT，显著提升了MLLMs零样本美学判断与人类判断的一致性，可应用于AI艺术辅导等领域。
2025-09-02 cs.AI cs.CL cs.CV
CAGE: Bridging the Accuracy-Aesthetics Gap in Educational Diagrams via Code-Anchored Generative Enhancement
IIIT Delhi（印度德里国际信息技术学院）
本文提出CAGE方法，通过结合LLM生成代码和扩散模型生成图像，解决教育图表在准确性和美观性上的矛盾，同时引入EduDiagram-2K数据集进行验证。
2026-04-06 cs.AI cs.CV
DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models
Institute of Image Communication and Network Engineering（图像通信与网络工程研究所）
本文提出DynT2I-Eval框架，通过动态生成提示以提升文本到图像模型的评估鲁棒性，减少过拟合和基准污染影响。
2026-05-07 cs.CV
ERNIE-Image Technical Report
ERNIE Team, Baidu（百度ERNIE团队）
提出基于8B单流DiT架构的开源文本到图像生成模型ERNIE-Image，通过自底向上的预训练数据构建和自顶向下的后训练数据构建，结合稳定DPO策略和MT-DMD蒸馏方法，在指令遵循、文本渲染和美学质量上接近顶级商业模型。
2026-05-25 cs.CV cs.LG
Mitigating stereotypical biases in text to image generative systems
Runway（Runway公司）
提出通过多样文本提示构建合成数据并微调文本到图像模型的方法，显著提升肤色和性别公平性指标，并开源代码与提示。
2023-10-10 cs.CV
VisualPrompter: Semantic-Aware Prompt Optimization with Visual Feedback for Text-to-Image Synthesis
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Peking University（北京大学）
VisualPrompter通过语义感知的提示优化机制，提升文本到图像合成的对齐性能和内容质量。
2026-03-06 cs.CV
MultiCrafter: High-Fidelity Multi-Subject Generation via Disentangled Attention and Identity-Aware Preference Alignment
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Software Technology, Zhejiang University（浙江大学软件技术学院）；Huawei Technologies Ltd（华为技术有限公司）
MultiCrafter通过解耦注意力和身份感知偏好对齐，提升多主体生成的保真度和人类偏好对齐能力。
2025-11-22 cs.CV
LeX-Art: Rethinking Text Generation via Scalable High-Quality Data Synthesis
Shanghai AI Laboratory（上海人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）
LeX-Art通过数据合成流水线构建高质量数据集，开发提示增强模型和两个文本到图像模型，并引入基准与指标，显著提升文本渲染性能。
2025-03-27 cs.CV
Diffusion-4K: Ultra-High-Resolution Image Synthesis with Latent Diffusion Models
State Key Laboratory of Complex and Critical Software Environment（复杂与关键软件环境国家重点实验室）；Beihang University（北京航空航天大学）；School of Computer Science and Engineering（计算机科学与工程学院）
Diffusion-4K通过引入Aesthetic-4K基准和基于小波的微调方法，实现了高质量超高清图像合成。
2025-03-28 cs.CV
Optimizing Prompts for Text-to-Image Generation
Microsoft Research（微软研究院）
提出提示词自适应框架，自动将用户输入调整为模型偏好提示词，结合监督微调和强化学习，在Stable Diffusion上优于人工设计。
2023-12-29 cs.CL cs.CV
Safer Prompts: Reducing Risks from Memorization in Visual Generative AI
Ludwig Maximilian University of Munich（慕尼黑路易斯·马克西米利安大学）；Munich RE（慕尼黑RE）
本文提出通过提示工程技术减少视觉生成AI中因记忆训练数据导致的安全风险，提升生成图像与训练数据的相似性降低，同时保持输出的相关性和美观性。
2025-12-17 cs.AI cs.CV cs.CY
Learning to Sample Effective and Diverse Prompts for Text-to-Image Generation
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Microsoft Research（微软研究院）；Hong Kong University of Science and Technology（香港科技大学）
针对RL优化提示词易产生相似后缀的问题，本文提出PAG，将提示词适配视为概率推断并用GFlowNets采样多样高质量提示词，同时通过流重激活等机制解决可塑性丧失。
2025-02-17 cs.CV
Text-to-Image Models and Their Representation of People from Different Nationalities Engaging in Activities
Prince Sattam bin Abdulaziz University（沙特王子萨塔姆·本·阿卜杜勒阿齐兹大学）
研究分析了DALL-E 3和Gemini 3 Pro Preview在生成日常活动图像时对206个民族的表示，发现传统服饰在某些活动中不适用，且与地区和收入组相关联。
2026-04-11 cs.CV cs.CY
Automatic Generation of Fashion Images using Prompting in Generative Machine Learning Models
National Technical University of Athens（雅典国立技术大学）；School of Electrical and Computer Engineering（电气与计算机工程学院）
本文提出结合大语言模型提示技术、RAG 与 Stable Diffusion 自动生成时尚描述及图像，实验表明 RAG 和少样本学习更受偏好。
2024-07-20 cs.CV
CritiFusion: Semantic Critique and Spectral Alignment for Faithful Text-to-Image Generation
National Yang Ming Chiao Tung University
CritiFusion通过语义批评和频谱对齐提升文本到图像生成的忠实度和细节质量。
2025-12-31 cs.CV
PIPBench: A Profile-Inclusive Framework for Personalized Image Generation Evaluation
College of AI, Tsinghua University（清华大学人工智能学院）；Shanghai Qi Zhi Institute（上海启智研究院）
研究个性化图像生成问题，引入PIPBench基准及新数据构建管道，利用心理和人口统计学资料维度收集数据，全面评估代表性方法，揭示现有方法局限，为个性化文本到图像合成带来新挑战与机遇。
2026-07-08 cs.CV
The Intricate Dance of Prompt Complexity, Quality, Diversity, and Consistency in T2I Models
FAIR at Meta - Montréal（Meta - Montréal 的 FAIR）；Mila - Québec AI Institute（魁北克 AI 院）；McGill University（麦吉尔大学）；Canada CIFAR AI Chair（加拿大 CIFAR 人工智能 chair）
本文研究了提示复杂性对T2I模型生成数据质量、多样性和一致性的影响，提出新的评估框架并发现提示扩展在生成多样性与美观性上优于真实数据。
2026-02-21 cs.CV
StoryMem: Multi-shot Long Video Storytelling with Memory
S-Lab, Nanyang Technological University（南洋理工大学S实验室）
StoryMem通过基于记忆的迭代镜头合成，实现了高质量多镜头视频叙事，提升了跨镜头一致性与审美质量。
2025-12-22 cs.CV
Parrot: Pareto-optimal Multi-Reward Reinforcement Learning Framework for Text-to-Image Generation
Google Research（谷歌研究院）；Google（谷歌公司）；Google DeepMind（谷歌DeepMind）；OpenAI；Rutgers University（罗格斯大学）；Korea University（高丽大学）
针对文生图多奖励强化学习中手动调权易致过优化的问题，提出Parrot帕累托最优框架，通过批次帕累托选择自动权衡多奖励，联合优化生成模型与提示扩展网络，在多项质量指标上优于基线。
2024-07-15 cs.CV
AttentionBender: Manipulating Cross-Attention in Video Diffusion Transformers as a Creative Probe
University of the Arts London（伦敦艺术大学）
AttentionBender通过操纵视频扩散变换器中的交叉注意力，帮助艺术家探索黑箱视频生成的内部机制，揭示交叉注意力的高度交织特性，并产生新的美学效果。
2026-04-22 cs.CV cs.HC cs.MM
Dynamic Prompt Optimizing for Text-to-Image Generation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Du Xiaoman Technology（度小满科技）
本文提出 PAE 方法，通过在线强化学习自动优化提示词及各词权重与注入时间步，在保持语义一致的同时提升文生图视觉质量。
2024-04-05 cs.AI cs.CV
Modeling, Quantifying, and Predicting Subjectivity of Image Aesthetics
Yonsei University（延世大学）；Seoul National University of Science and Technology（首尔科技大学）
图像美学评价是一项具有挑战性的计算机视觉任务。一个原因是审美偏好是高度主观的，并且对于某些图像，人们之间可能会有很大差异。因此，适当地对这种\textit{subjectivity}进行建模和量化是重要的，但是还没有太多的努力来解决这个问题。在本文中，我们提出了一个新的统一的概率框架，可以建模和量化的主观审美偏好的基础上的主观逻辑。在这个框架中，评级分布被建模为beta分布，从该分布中可以获得肯定令人满意、肯定令人不满意和不确定的概率。我们使用不确定性的概率来定义主观性的直观度量。此外，我们提出了一种学习深度神经网络的方法，用于预测图像美学，通过实验表明，该方法可以有效地提高主观性预测的性能。我们还提出了一个应用场景中的框架是有益的美学为基础的图像推荐。
2022-08-20 cs.CV
UltraFlux: Data-Model Co-Design for High-quality Native 4K Text-to-Image Generation across Diverse Aspect Ratios
HKUST(GZ)（香港科技大学（广州））；HKUST（香港科技大学）
针对扩散变压器扩展到原生4K多宽高比时出现的位置编码、VAE压缩和优化耦合失效问题，提出数据-模型协同设计的UltraFlux，通过共振2D RoPE、非对抗VAE后训练、SNR感知Huber小波目标和分阶段美学课程学习，在4K分辨率下实现高保真、细节保留的文本到图像生成。
2026-07-02 cs.AI cs.CV
Improving Text-to-Image Consistency via Automatic Prompt Optimization
FAIR at Meta（Meta FAIR研究院）；Mila（米拉计算科学研究所）；Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）
提出基于提示的T2I优化框架OPT2I，利用LLM迭代优化提示以提升文本到图像的一致性，在MSCOCO和PartiPrompts上验证可将一致性得分提升24.9%。
2024-03-26 cs.CL cs.CV
Evolve to Inspire: Novelty Search for Diverse Image Generation
University College London（伦敦大学学院）；University of Oxford（牛津大学）；Tesco Technology（百事科技）；Microsoft Research（微软研究院）
本文提出基于新颖性搜索的WANDER方法，利用LLM和CLIP嵌入对自然语言提示词进行语义演化与量化，并通过发射器引导搜索，显著提升了文本到图像扩散模型生成结果的多样性。
2025-11-01 cs.AI cs.CV
No Longer Trending on Artstation: Prompt Analysis of Generative AI Art
SensiLab, Monash University（莫纳什大学SensiLab）
该研究通过分析超300万条AI艺术生成提示词及对应图像，揭示当前生成式AI图像系统的使用以娱乐为主，且提示词多聚焦表层美学、强化流行文化规范。
2024-01-24 cs.AI cs.CV cs.CY
Compositional Image Synthesis with Inference-Time Scaling
Inha University（仁荷大学）
本文提出一种无需训练的框架，结合对象中心方法与自我完善，提升布局忠实度并保持美学质量，通过大语言模型生成布局并注入图像生成过程，利用对象中心视觉-语言模型进行迭代选择，实现更强的场景对齐。
2026-03-27 cs.AI cs.CV
ShapeWords: Guiding Text-to-Image Synthesis with 3D Shape-Aware Prompts
UMass Amherst（马萨诸塞大学阿默斯特分校）；CYENS CoE（CYENS联合学院）；University of Cyprus（塞浦路斯大学）；TU Crete（希腊技术大学）
ShapeWords通过融合3D形状信息与文本提示，提升文本到图像合成的准确性与3D结构感知能力。
2025-12-10 cs.AI cs.CV cs.GR
A User-Friendly Framework for Generating Model-Preferred Prompts in Text-to-Image Synthesis
本文提出UF-FGTG框架，通过粗细粒度提示数据集和自适应特征提取模块，自动优化用户输入提示以生成更高质量的图像。
2026-03-25 cs.AI cs.CV cs.MM
DreamSync: Aligning Text-to-Image Generation with Image Understanding Feedback
University of Southern California（南加州大学）；University of Washington（华盛顿大学）；Bar-Ilan University（巴伊兰大学）；Google Research（谷歌研究院）
DreamSync 提出一种无需标注数据的模型无关训练算法，利用视觉语言模型从自身生成中筛选语义对齐且美观的图像，并通过 LoRA 迭代微调，从而同时提升文生图模型的文本忠实度和美学质量。
2023-11-29 cs.AI cs.CL cs.CV
Personalized Image Aesthetics Assessment with Rich Attributes
OPPO Research Institute（OPPO研究院）；Xidian University（西安电子科技大学）
个性化图像美学评价（PIAA）由于其高度主观性而具有挑战性。人们的审美趣味取决于多种因素，包括形象特征和主体特征。现有的PIAA数据库在注释多样性方面受到限制，特别是在主题方面，这已经不能满足PIAA研究日益增长的需求。为了解决这一难题，我们进行了迄今为止最全面的个性化图像美学的主观研究，并引入了一个新的个性化图像美学数据库与丰富的属性（PARA），其中包括31,220张图像与438名受试者的注释。PARA具有丰富的注释，包括9个面向图像的客观属性和4个面向人的主观属性。此外，还提供了脱敏的主体信息，如个性特征，以支持PIAA和用户画像的研究。对注释数据进行了全面的分析，统计研究表明，提出的主观属性可以反映审美偏好。我们还提出了一个条件PIAA模型，利用主题信息作为条件先验。实验结果表明，条件PIAA模型的效果优于控制组，这也是首次尝试展示图像美学与主体特征如何相互作用，产生复杂的个性化图像美学品味。我们相信该数据库和相关分析将有助于进行下一代PIAA研究。PARA的项目页面可以在https://cv-datasets.institutecv.com/#/data-sets上找到。
2022-03-31 cs.CV
DiffChat: Learning to Chat with Text-to-Image Synthesis Models for Interactive Image Creation
South China University of Technology（华南理工大学）；Alibaba Group（阿里巴巴集团）
本研究提出DiffChat方法，通过构建InstructPE数据集监督训练、结合三标准反馈的强化学习框架，实现LLM与文本到图像合成模型的交互式创作对话，生成图像质量优于基线与竞品。
2024-03-08 cs.CL cs.CV
DiffusionAgent: Navigating Expert Models for Agentic Image Generation
Meituan（美团）；ByteDance（字节跳动）；Nanjing University（南京大学）
DiffusionAgent通过统一代理框架实现多领域图像生成，结合树状思维导航和优势数据库提升生成质量与泛化能力。
2026-01-20 cs.AI cs.CV
A Large Scale Analysis of Gender Biases in Text-to-Image Generative Models
Technical University of Munich, Munich Center for Machine Learning, MDSI（慕尼黑技术大学、慕尼黑机器学习中心、MDSI）；LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI、巴黎电信学院、巴黎理工学院）；Helmholtz Munich（海德堡-慕尼黑研究中心）；University of California, Berkeley（加州大学伯克利分校）
该研究构建3,217条性别中立提示词并分析五个主流T2I模型生成的逾229万张图像，揭示其在日常活动、物品与情境中强化传统性别角色和刻板印象。
2025-09-29 cs.CV cs.CY
Prompt Optimizer of Text-to-Image Diffusion Models for Abstract Concept Understanding
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对文生图扩散模型难以准确呈现抽象概念的问题，提出POAC方法，通过经抽象概念数据集微调的提示语言模型结合强化学习优化提示，显著提升生成图像的准确性与美学质量，且具备跨模型通用性。
2024-04-17 cs.AI cs.CV cs.LG
Structured Captions Improve Prompt Adherence in Text-to-Image Models (Re-LAION-Caption 19M)
针对文生图模型提示遵循不佳的问题，提出使用结构化标题训练（Re-LAION-Caption 19M数据集），微调PixArt-$\Sigma$和Stable Diffusion 2，显著提升文本-图像对齐分数。
2025-07-07 cs.AI cs.CL cs.CV
Multimodal Large Language Model is a Human-Aligned Annotator for Text-to-Image Generation
Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
为解决人类偏好数据集成本高且缺乏多样性的问题，研究利用多模态大语言模型构建了高质量偏好数据集 VisionPrefer，并训练奖励模型 VP-Score 指导文本到图像生成模型微调，显著提升了图文对齐效果与泛化能力。
2024-04-23 cs.CV cs.MM
