219-A1｜灵活的个性化多概念定制，可扩展文生图奖励偏好优化；离线评估量化文生图系统在创意构思阶段的有效性，多模态遗忘评估基准

文章预览

AIGC   Research < PaperDaily> 主编 ｜ 庄才林（Cailin Zhuang） 技术支持 ｜胡耀淇（Yaoqi Hu） 发布日期 ｜2024年 10月 24 日｜ 周四 Topic: Image Generation｜Customization, Preference Optimization How to Continually Adapt Text-to-Image Diffusion Models for Flexible Customization? 2024-10-23｜MBZUAI, CAS-SIA, PolyU, FDU, ANU, Linköping U｜NeurIPS 2024 ｜⭐️ 🟡 http://arxiv.org/abs/2410.17594v1 https://github.com/JiahuaDong/CIFC 概述 在本文中，研究者们提出了一种新的文本到图像扩散模型， 称为概念增量文本到图像扩散模型（CIDM），旨在解决个性化概念生成中的两个主要挑战：灾难性遗忘和概念忽视 。现有的自定义扩散模型（CDMs）通常 假设用户的个性化概念是固定不变的，无法随着时间的推移而增加， 这在实际应用中显得不切实际。CIDM通过引入 概念整合损失和弹性权重聚合模块 ，有效地克服了这些问题， 使得模型能 ………………………………