GAR诊断潜在生成模型分布失配
热点事件持续更新
GAR诊断潜在生成模型分布失配
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
针对重建FID（rFID）与生成FID（gFID）相关性弱甚至为负的问题，Xianghong Fang等作者提出生成感知重建（GAR）：向编码器latent加噪，再经生成模型去噪后解码，从而构建从重建到生成的连续轨迹。 基于该轨迹的诊断指标GAR-FID在多种tokenizer和规模下与gFID强相关；中间GAR latent保留与源图像的配对监督，可用于解码器适配，在不同模型规模上持续提升生成质量。
AI 根据报道生成 · 3 小时前更新
最新进展10月7日 12:00
从潜在分布视角评估与改进潜在生成模型报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.CV从潜在分布视角评估与改进潜在生成模型
针对重建 FID（rFID）与生成 FID（gFID）相关性弱甚至为负的问题，研究者提出生成感知重建（GAR），通过向编码器 latent 加噪并经生成模型去噪，构建从重建到生成的连续轨迹。基于该轨迹的诊断指标 GAR-FID 在多种 tokenizer 和规模下与 gFID 强相关，且中间 GAR latent 保留与源图像的配对监督，可用于解码器适配，在不同模型规模上持续提升生成质量。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。