跳到正文
arXiv · 机器人与计算机视觉· Yucheng Yang, Xiaoxiao Sun, Shusheng Yang, Jiakang Chen, Serena Yeung-Levy·· 2026-10-12AI 评分59

Images Talk Back:通过抑制图像到文本反馈引导 MMDiTs

Images Talk Back: Guiding MMDiTs by Suppressing Image-to-Text Feedback

AI 导读

该论文发现多模态扩散变压器中图像到文本反馈会保留包括错误在内的既有表征,提出 Semantic Feedback Guidance 方法抑制该反馈以增强文本条件作用。其原位变体 iSFG 无需额外模型评估即可在 FLUX 上将 GenEval 从 0.6661 提升至 0.7479,在 SD3.5M 上增加 1.33 HPSv2.1 分数,且效果可迁移至视频生成任务。

来源:arXiv · 机器人与计算机视觉 · arxiv.org