Apprendre à guider : optimiser la géométrie latente pour le guidage sans classificateur
En bref
- Le guidage sans classificateur (CFG) dépend de la géométrie des classes dans l'espace latent.
- Une régularisation par prototypes améliore la séparabilité des classes sous bruit.
- Réduction de 31% du gFID guidé sur ImageNet avec un surcoût négligeable.
Cette étude analyse comment la géométrie des classes dans l'espace latent influence les performances du guidage sans classificateur (CFG) pour les modèles de diffusion. Les auteurs proposent une régularisation par prototypes pour améliorer la séparabilité des classes sous bruit, réduisant significativement les erreurs de génération guidée.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez cs.AI updates on arXiv.org.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Signaler une erreur