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:2510.03813v2

帮助 | 高级搜索

计算机科学 > 图形学

arXiv:2510.03813v2 (cs)
[提交于 2025年10月4日 (v1) ,最后修订 2025年10月11日 (此版本, v2)]

标题: 通过对比噪声优化的多样化文本到图像生成

标题: Diverse Text-to-Image Generation via Contrastive Noise Optimization

Authors:Byungjun Kim, Soobin Um, Jong Chul Ye
摘要: 文本到图像(T2I)扩散模型在生成高保真图像方面表现出色,这主要得益于文本引导的推理。然而,这种优势通常伴随着一个关键缺点:多样性有限,因为输出在强文本引导下往往陷入相似的模式。现有方法通常在推理过程中优化中间潜在变量或文本条件,但这些方法仅带来适度的改进,或者对超参数调整仍很敏感。在本工作中,我们引入了对比噪声优化,这是一种简单而有效的方法,从不同的角度解决了多样性问题。与之前适应中间潜在变量的技术不同,我们的方法通过塑造初始噪声来促进多样化的输出。具体来说,我们在Tweedie数据空间中定义了一个对比损失,并优化一批噪声潜在变量。我们的对比优化使批次内的实例相互排斥,以最大化多样性,同时保持它们与参考样本的锚定关系,以保留保真度。我们进一步提供了对这种预处理机制的理论见解,以证明其有效性。在多个T2I骨干模型上的广泛实验表明,我们的方法在保持对超参数选择鲁棒性的同时,实现了更优的质量-多样性帕累托前沿。
摘要: Text-to-image (T2I) diffusion models have demonstrated impressive performance in generating high-fidelity images, largely enabled by text-guided inference. However, this advantage often comes with a critical drawback: limited diversity, as outputs tend to collapse into similar modes under strong text guidance. Existing approaches typically optimize intermediate latents or text conditions during inference, but these methods deliver only modest gains or remain sensitive to hyperparameter tuning. In this work, we introduce Contrastive Noise Optimization, a simple yet effective method that addresses the diversity issue from a distinct perspective. Unlike prior techniques that adapt intermediate latents, our approach shapes the initial noise to promote diverse outputs. Specifically, we develop a contrastive loss defined in the Tweedie data space and optimize a batch of noise latents. Our contrastive optimization repels instances within the batch to maximize diversity while keeping them anchored to a reference sample to preserve fidelity. We further provide theoretical insights into the mechanism of this preprocessing to substantiate its effectiveness. Extensive experiments across multiple T2I backbones demonstrate that our approach achieves a superior quality-diversity Pareto frontier while remaining robust to hyperparameter choices.
主题: 图形学 (cs.GR) ; 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV); 机器学习 (cs.LG)
引用方式: arXiv:2510.03813 [cs.GR]
  (或者 arXiv:2510.03813v2 [cs.GR] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.03813
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Byungjun Kim [查看电子邮件]
[v1] 星期六, 2025 年 10 月 4 日 13:51:32 UTC (15,568 KB)
[v2] 星期六, 2025 年 10 月 11 日 04:37:42 UTC (15,568 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
许可图标 查看许可
当前浏览上下文:
cs.GR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.AI
cs.CV
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