CMU 团队开源 T-DIG:让文生图按你指定维度变出不同结果
simi_97k · x · 2026-10-28
CMU 与 Northeastern 研究者发布 T-DIG(Text-Conditioned Diversity for Image Generation),解决文生图模型「一次生成 8 张全是同一个女巫」的多样性痛点。
核心做法:
- 用 LLM 策略为冻结的生成/编辑模型产出 K 条按轴展开的提示词或编辑指令,生成器本身不需要重训,因此适用于开源、蒸馏和闭源模型
- 用 GRPO 训练策略,奖励为文本条件多样性,加上对齐惩罚
- 用户可输入提示词查看模型自身的 i.i.d. 采样结果,由系统建议可变化的维度(犬种、光照、背景、镜头角度等),也可自定义变化轴,再调节多样性强度、生成新集合或迭代编辑当前集合
团队同时发布了首个文本条件图像多样性数据集,训练/验证集来自人工标注的变化轴,测试集来自真实用户交互,评测指标采用 TPIPS。
所属事件:CMU 团队开源 T-DIG：文生图按指定维度生成多样结果(7 条相关)→
「多模态」频道最新
- AI 乐队 Techhalla 把 Slipknot 翻唱成 1971 年复古灵魂乐 — Mother-Pear-2392 · 2026-10-28
- Hailuo H3 Max 复古 MV 工作流详解：15 秒切块、单参考图与多镜头 prompt — techhalla · 2026-10-28
- 开源工作流：Seedance 视频一键变 3D 模型真实 UV 材质 — OdinLovis · 2026-10-28
- 赛博朋克 AI 生成短片「VHS Sirens」:改装车夜城逐帧质感惊艳 — brythehuman · 2026-10-28
- 零基础作者用 MiniMax H3 制作 40 镜头动画 MV，数周完成 — Capable-Insurance-58 · 2026-10-28
- Midjourney sref 风格码 138606468+1306896884 实测:扁平肌理插画 — sergeantsref · 2026-10-28