SCOPE cải thiện tự động viết lại prompt cho mô hình tạo ảnh bằng cách tối ưu theo cụm ngữ nghĩa
Các nhà nghiên cứu đề xuất SCOPE, một phương pháp dùng học tăng cường để cải thiện prompt cho các hệ thống text-to-image mà không thay đổi bộ sinh ảnh. Thay vì gán một tín hiệu học từ hình ảnh cho từng token con, SCOPE xác định các cụm ngữ nghĩa hoàn chỉnh—chẳng hạn một vật thể, số lượng, thuộc tính hoặc mối quan hệ—rồi áp dụng trọng số cập nhật chung cho các token trong cùng cụm. Bộ viết lại prompt đồng thời tạo prompt được cải thiện và phân chia ngữ nghĩa của prompt, sử dụng Group Relative Policy Optimization (GRPO) mà không cần phần thưởng riêng cho từng cụm hoặc sinh thêm hình ảnh. Trên Qwen-Image, SD3 và FLUX.1-dev, SCOPE được báo cáo là cải thiện trung bình 9,48% so với GRPO tiêu chuẩn trên GeneVal và 7,62% trên T2I-CompBench. Kết quả cho thấy việc căn chỉnh các cập nhật của học tăng cường theo cấu trúc mang ý nghĩa của ngôn ngữ có thể giúp tự động viết lại prompt hiệu quả hơn mà không làm tăng chi phí sinh ảnh.
SCOPE đáng chú ý với các nhà nghiên cứu và nhà phát triển hệ thống text-to-image: phương pháp này cải thiện việc tự động viết lại prompt bằng cách xử lý các cụm có nghĩa như vật thể, số lượng và thuộc tính thay vì từng token riêng lẻ. Kết quả hiện mới được báo cáo trên Qwen-Image, SD3 và FLUX.1-dev, nên người dùng cuối có thể theo dõi thêm trước khi kỳ vọng cải thiện tương tự trong các công cụ thực tế.
Đọc bài gốc