自动优化负面提示并引导扩散过程，提升图像生成质量
Advanced Image Generation: Negative Prompt Optimization and Latent Classifier Guidance
- 用微调的序列到序列大模型生成优化后的负面提示
- 通过混合CNN-RNN分类器检测低质隐空间更新并回滚
- 适合关注图像细节与语义准确性的生成研究者
我们提出一种新系统，结合经微调的序列到序列大模型进行负面提示优化，以及基于卷积神经网络与循环神经网络混合结构的隐空间分类器引导，以改进Stable Diffusion的图像生成质量。该方法可自动生成优化后的负面提示，并利用混合分类器评估扩散步骤中的隐空间更新，对低质量更新进行回滚。实验表明，相比基线扩散模型，该双引导框架有效减少伪影，提升语义保真度。
原文摘要 · Abstract (English)
We present a novel system that integrates negative prompt optimization via a fine-tuned sequence-to-sequence LLM and latent-space classifier guidance to improve the quality of images generated by Stable Diffusion. Our approach automatically generates optimized negative prompts, and employs a CNN-RNN hybrid classifier to evaluate and guide diffusion steps, rolling back low-quality latent updates. Experimental results demonstrate that our dual-guidance framework reduces artifacts and improves semantic fidelity compared to baseline diffusion.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。