跳到主要内容
检索

# 文本到图像生成

18 篇关联报道

订阅更新
  1. arXiv

    视觉验证器不再只答对错:OmniVerifier-C1把提示拆成子问题,ViVerBench总分升到0.684

    视觉验证器长期只输出真或假的二值判断,难以区分不同程度的部分正确。OmniVerifier-C1把复杂提示或环境规则拆成细粒度子问题,逐项做二值判断后按满足比例给出连续分数,并用解耦强化学习同时优化子问题判断与全局对齐打分。在ViVerBench上,以Qwen3-VL-8B为基座、经分级监督微调再加分级强化学习的版本总体得分为0.684,高于仅用二值强化学习的0.671。

  2. MiniMax

    MiniMax 开源 H3-Image:4K 图像生成压到 10 秒内,速度最高为主流方案 5 倍

    MiniMax 发布开源权重图像生成模型 H3-Image,支持文生图、参考图生成与图像编辑,可在 10 秒内生成 4096×4096 的 4K 图像,并称速度最高达主流方案的 5 倍。此前 4K 输出比常见的 1K、2K 更耗时,难以进入日常创作流程。这一速度来自后训练流程的整体改动,包括数据、强化学习、采样步数削减、PE 与部署优化,而非单项改动。

  3. arXiv

    VA-TDM把四步生成的监督换成速度场对抗:33B音视频模型上对多步教师的偏好率升到45.53%

    少步扩散蒸馏长期依赖学生分数估计,而中间步骤的分数难以准确跟踪,估计出的分布可能与更新学生所用的分布不一致。VA-TDM把监督对象换成由学生采样过程构造的速度场,用学习到的评论器比较学生与教师速度场并把分歧转化为生成器反馈,同时统一了分数蒸馏、Fisher匹配与矩匹配。在SD3.5-Medium四步生成上,GenEval从TDM的0.61升到0.67;在33B的MiniMax-H3上,同预算4-NFE下人类偏好对比中胜Fast-H3的比例为61.33%,对100-NFE教师的偏好率为45.53%,Fast-H3为24.67%。

  4. arXiv

    奖励引导扩散采样换到更干净的中间状态:VaLoP把高噪声处的价值梯度误差压下去,机器人成功率也最高

    奖励引导扩散采样在采样时用价值函数的梯度把生成结果推向奖励模型偏好的图像或动作,但一步去噪估计和学到的价值模型这两类梯度估计在高噪声、也就是样本粗结构被决定的阶段最不准。VaLoP把价值评估挪到采样器前进一步、不确定性更小的前瞻状态,再用一次向量-雅可比积把梯度拉回当前状态;在SD3.5-Medium、SD3.5-Large和FLUX.1-dev三种生成器、三种奖励上,VaLoP与摊销版VaLoP-Fast的目标奖励都稳定高于StitchVM和DPS,VaLoP-Fast在LIBERO与RoboCasa上取得最高成功率。

  5. arXiv

    少步数文生图补上特征矩约束:Z-Image-Turbo 两次评估中文长文本达94.25%

    少步数文生图要在极少采样次数里把提示中的细节画准,而分布匹配蒸馏(DMD)依赖学习到的分数差,统计量未必对齐。Intrinsic Distribution Matching 在保留完整 DMD 修正的同时,用生成器指数滑动平均副本的特征均值与逐坐标标准差加了一项矩约束,不需要外部特征编码器。在 Z-Image-Turbo 6B 上两次网络评估时,中文与英文 LongText-Bench 分别达到 94.25% 和 90.20%,为所比较方法中该预算下的最高分。

  6. arXiv

    像素空间生成模型不再让细节拖累全局注意力:低频槽位当载体,512分辨率FID降2.84

    像素空间生成模型把整幅图像切成图块送入Transformer,图块越细,全局注意力的二次开销越大,细节与通信成本被同一张网格绑死。SpecSlot把每个空间锚点展开成若干槽位,每个槽位固定负责一组互不重叠的DCT系数,只让负责最低频那组的槽位进入全局阶段,其余槽位只在锚点内局部交互。在ImageNet-512上,W256/K4配置比同算力的JiT对照FID低2.84、GFLOPs少3.9%,比JiT-B/16高0.69 FID但成本低38.2%。

  7. arXiv

    图像生成拆成两步:先学语义再渲染,3B模型用6600 H100小时到GenEval 0.86

    视觉生成被拆成两个阶段:自回归预训练负责获取视觉知识,扩散后训练负责把知识渲染成像素。在约4亿参数的受控对比中,自回归预训练加扩散渲染的路线在GenEval上达到65.5,高于像素扩散从零训练的61.2;语义分词器无需图像解码器或重建损失也能支撑渲染。按拟合出的缩放律分配算力后,约3B参数的文生图模型用约6600 H100 GPU小时训练,在GenEval上得0.86、DPG-Bench得87.78。

  8. arXiv

    扩散模型采样误差有了专门修正器:ImageNet上FID从9.58降到2.07,无引导生成也能接近CFG

    扩散模型在采样时会累积自身预测误差,一个以基础模型预测为输入、用同一干净目标训练的修正器,在ImageNet类条件生成上把DiT-XL/2的FID从9.58降到2.07,无需引导即可接近CFG水平。

  9. arXiv

    信息图生成不再二选一:全局重画与局部修字分流,开源生成器反超闭源模型

    信息图要求一张图同时满足文字、数值、图表和版式等大量约束,而现有迭代修正方法存在尺度错配:局部编辑改不动整体构图,整图重画又会破坏已经正确的区域。Stride把约束判定与空间定位拆开,由主编辑智能体按错误尺度把修改分派给负责全局重画的composer或负责局部修字的retoucher,并且只在验证器分数严格提升时接受候选。在BizGenEval上,搭配开源Infographic-V2的Stride取得69.5分,高于Nano-Banana-2.0的68.5分和Seedream-5.0-Pro的65.7分。

  10. arXiv

    文生图注意力不再只盯第一个词:扩散模型把注意力堆在模态边界和图像角落

    在FLUX.1、Z-Image与Infinity-2B三类文生图Transformer上,注意力汇的位置随架构而变:自回归模型把注意力压在首个全局token上,双向扩散模型则集中在模态边界、文本区域和图像角落。