محققان در پژوهش جدیدی به بررسی چالشهای استفاده از «راهنمای بدون طبقهبندی» (CFG) در فرآیند تقطیر مدلهای انتشار پرداختهاند. آنها متوجه شدند که روشهای متداول فعلی دچار مشکل «عدم تقارن شاخه منفی» (NBA) میشوند که دقت خروجی مدل را کاهش میدهد.
برای حل این مشکل، تکنیک نوآورانه «تطبیق جهت مثبت» (PDM) معرفی شده است که با نظارت دقیقتر بر پیشبینیهای مثبت و منفی، باعث پایداری و بهبود چشمگیر عملکرد مدل، بهویژه در ویدیوهای کنترلشده میشود. این دستاورد گامی مهم برای افزایش دقت و کنترلپذیری مدلهای تولید تصویر و ویدیو است. 🎨✨
منبع: arXiv Computer Vision