跳到正文
arXiv · 机器人与计算机视觉· Amish Sethi, Boya Zeng, Wenhao Chai, Zhuang Liu·· 12 小时前AI 评分75

扩散模型是否学会泛化基础视觉技能?VGL 框架揭示外推与组合泛化局限

Do Diffusion Models Learn to Generalize Basic Visual Skills?

AI 导读

本文介绍 Visual Generative Lab (VGL),一个用于研究扩散模型如何学习和泛化基础视觉技能(如大小、位置、旋转、数量等)的受控实验框架。通过基于规则的合成数据训练,研究发现默认设计下模型的外推能力有限:尺寸和位置在训练范围外仅几像素即退化,数量泛化准确率约 50%,且组合泛化更依赖技能组合数而非数据集规模。代码与数据生成脚本已开源。

来源:arXiv · 机器人与计算机视觉 · arxiv.org