图像生成地表最强！Playground v2.5技术报告解读重磅来袭！超越SD、DALL·E 3和 Midjourney

摘要

本文由Daiqing Li等人撰写，分享了三个关键见解以实现文本到图像生成模型中的最先进(SOTA)美学质量。这些见解集中在模型的三个关键改进方面：增强图像色彩和对比度、跨不同长宽比生成图像的能力改进，以及中心人物细节的改善。

介绍

扩散模型在图像生成方面取得了显著进展，特别是Playground v2模型，它专注于美学质量并在用户偏好方面表现出色。该研究的后续工作，Playground v2.5，进一步提高了模型的美学质量，特别是在色彩和对比度、多长宽比生成和中心人物细节方面。

方法

Playground v2.5在色彩和对比度方面的改进采用了EDM框架，以及针对高分辨率图像训练的改进噪声调度。为了处理不同长宽比的挑战，采用了平衡分桶数据集的策略。同时，通过用户评级策划的高质量数据集和迭代的人在环训练方法，提高了生成图像与人类偏好的对齐。

评估

Playground v2.5在用户研究中表现出色，超越了先前的模型。通过与公开和封闭源商业系统的比较，证明了其在长宽比生成和面向人物的图像生成方面的优越性。此外，新的MJHQ-30K基准被用于自动评估模型的审美质量。

结论

Playground v2.5在多个方面超越了前代模型，特别是在色彩对比度、长宽比生成能力和对人类偏好对齐方面，成为文本到图像生成领域的领先模型。模型的开源发布旨在为社区研究人员提供宝贵的资源，并鼓励社区共同构建更好的模型。