研究表明，通过训练高质量的图像字幕可以显著改善文本到图像模型的提示响应能力。为解决现有模型存在的忽视细节和混淆提示的问题，研究者训练了一个定制的图像字幕模型来重写训练数据集，并据此训练了新的文本到图像生成系统DALL-E 3，该系统在多项评估中表现出色。
本文是LLM系列文章，针对《Improving Image Generation with Better Captions》的翻译。
使用更好的字幕提高图片生成
摘要
我们表明，通过对高度描述性生成的图像字幕进行训练，可以显著提高文本到图像模型的提示跟随能力。现有的文本到图像模型很难遵循详细的图像描述，并且经常忽略单词或混淆提示的含义。我们假设这个问题源于训练数据集中有噪声和不准确的图像字幕。我们通过训练一个定制的图像字幕师来解决这个问题，并使用它来重述训练数据集。然后，我们训练了几个文本到图像的模型，发现对这些合成字幕的训练可以可靠地提高提示跟随能力。最后，我们利用这些发现构建了DALL-E 3：一个新的文本到图像生成系统&#x
已下架不支持订阅
1854
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
