Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

FairHuman : Améliorer la qualité des mains et des visages dans la génération d'images humaines avec un délai potentiel minimal Équité dans les modèles de diffusion

Created by
  • Haebom

Auteur

Yuxuan Wang, Tianwei Cao, Huayu Zhang, Zhongjiang He, Kongming Liang, Zhanyu Ma

Contour

Cet article souligne que, malgré les progrès significatifs réalisés en génération d'images grâce aux modèles texte-image à grande échelle, notamment les modèles basés sur la diffusion, il est difficile de générer des détails réalistes tels que les visages et les mains. Pour résoudre ce problème, nous proposons FairHuman, une méthode de réglage fin multi-objectifs conçue pour améliorer sensiblement la qualité de la génération globale et locale. FairHuman utilise un objectif global et deux objectifs locaux pour les mains et les visages, et élabore une stratégie optimale de mise à jour des paramètres basée sur le critère du délai potentiel minimal (DPM) afin d'obtenir une optimisation équitable pour les problèmes multi-objectifs. Cela améliore significativement la génération de détails locaux complexes tout en maintenant la qualité globale. Grâce à des expériences approfondies, nous démontrons l'efficacité de notre méthode pour améliorer les performances de génération d'images humaines dans divers scénarios.

Takeaways, Limitations_

•
Takeaways:
◦
Nous démontrons que le réglage fin multi-objectif peut améliorer la capacité de génération de détails locaux des modèles de génération de texte en image.
◦
Nous proposons une stratégie d'optimisation équitable utilisant le critère MPD pour résoudre efficacement les problèmes multi-objectifs.
◦
Il parvient à maintenir la qualité globale de l'image tout en améliorant la qualité de génération des détails locaux difficiles tels que les visages et les mains.
•
Limitations:
◦
La méthode proposée nécessite des annotations préalables pour les mains et les visages. Les performances peuvent être affectées par la qualité et la quantité des données d'annotation.
◦
Des recherches supplémentaires sont nécessaires sur l’évolutivité vers d’autres détails régionaux (par exemple, les cheveux, les vêtements).
◦
Des vérifications supplémentaires sont nécessaires pour déterminer si l’application du critère MPD peut être généralisée à d’autres types de problèmes multi-objectifs.
👍
Made with Slashpage