今天小编分享的科学经验：比Flux更强大的文生图模型来了！秘诀是“集百家之长”，欢迎阅读。
打造更强大文生图模型新思路有——
面对 Flux、stable diffusion、Omost 等爆火模型，有人开始主打" 集各家所长 "。
具体来说，清北、牛津、普林斯顿等机构的研究者提出了⼀个全新文生图框架 IterComp。
它能提取不同模型在各自领網域的优势，同时不引入额外的复杂指令或增加计算开销。
论文一经发布，即在（前推特）获得 AI 论文领網域大 V 转发，吸引大量关注。
那么，研究人员具体是如何实现的呢？
全新文生图框架：IterComp
⾃ 2022 年以来，基于 diffusion 的文生图模型取得了快速发展，尤其在复杂组合生成（complex/compositional generation）任务上取得了显著进展。
例如，今年 8 月发布的 Flux 展现出了十分震撼的复杂场景生成能力与美学质量；
RPG 通过 MLLM 的辅助，将复杂的组合生成任务分解为简单子任务；
InstanceDiffusion 通过布局控制（layoutbased），实现了与布局分布高度一致的精确影像生成。
然而，这些模型的优势仅限于某些特定的组合生成任务，且存在诸多局限。
基于文本的生成方法（如 SDXL、SD3、Flux 等），由于其训练数据和框架的优势，在物体与场景的模拟上表现出色，特别在美学质量、属性绑定和非空间关系（non-spatial relationships）方面具有显著优势。
然而，当涉及多个物体，且存在复杂的空间关系时，这类模型往往表现出明显不足。
基于大语言模型（LLM-based）的生成方法，如 RPG 和 Omost，通常需要对 LLM 进⾏额外训练或设计复杂的提示。
然而，对于 LLM 处理后的复杂指令，diffusion backbone 并不具备精确生成的能力。
基于布局（layourbased）的生成方法，如 Instancediffusion 和 LMD+，虽然提供了精确的控制，但在影像的美学质量和真实性上存在明显下降，并且需要人为设计布局。
因此，一个值得深⼊探讨的问题是：
能否设计出一个强大的模型，在上述多个方面都表现出⾊，同时不引入额外的复杂指令或增加计算开销？
基于此，研究人员提出一个全新的文生图框架：IterComp。
要充分解决这⼀问题，研究面临两大难点：
1、如何提取不同模型在各自领網域的优势，并引导模型进行有效学习？
针对该问题，研究人员首先构建了模型库（model gallery ) ，其包含多种在不同方面表现出色的模型，每个模型都具备特定的组合生成偏好（composition-aware model preference）。
研究人员尝试通过扩散模型对齐方法，将 base diffusion model 与模型库中的组合生成偏好进行对齐。
团队聚焦于 compositional generation 的三个关键方面：
属性绑定（attribute binding）
空间关系（spatial relationship）
⾮空间关系（non-spatial relationship）
为此，研究人员收集了不同模型在这些方面的偏好数据，并通过人工排序，构建了⼀个面向组合生成的模型偏好数据集（composition-aware model preference dataset）。
针对这三个方面，团队分别训练三个 composition-aware reward models，并对 base 模型进行多奖励反馈优化。
2、组合生成任务很难优化，如何更充分地学习到不同模型的组合偏好？
研究人员在 diffusion 领網域创新地引入迭代式学习框架（iterative feedback learning），实现 reward models 与 base diffusion model 之间 " 左脚踩右脚登天 "。
具体来说，在上述第一轮优化后，团队将 optimized base diffusion model 以及额外选择的其他模型（例如 Omost 等）添加进 model gallery。
对新增模型进行偏好采样，与初始 model gallery 中的影像按照预训练的 reward model 构建影像对。
这些影像对被用于进⼀步优化奖励模型，随后继续用更新的奖励模型优化基础扩散模型。
具体的流程如下伪代码所示：
实验
在定性实验中，与其他三类 compositional generation 方法相比，IterComp 取得了显著的组合质量的提升，并且不会引入额外的计算量。
从定量结果中可以看出，IterComp 在 T2I-CompBench 上取得了各方面的领先。
另外，针对影像真实性以及美学质量，IterComp 也表现出色。
然而 IterComp 的应用潜力不限于此，其可以作为强大的 backbone 显著提升 Omost, RPG 等模型的生成能力。
更多细节欢迎查阅原论文。
论文地址：
https://arxiv.org/abs/2410.07171
代码地址：
https://github.com/YangLing0818/IterComp
模型地址：
https://huggingface.co/comin/IterComp
Civitai:
https://civitai.com/models/840857
— 完 —
投稿请发邮件到：
标题注明【投稿】，告诉我们：
你是谁，从哪来，投稿内容
附上论文 / 项目主页链接，以及联系方式哦
我们会（尽量）及时回复你
点这里关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
>
