Компьютерные науки > Компютерное видение и распознавание моделей [представлено 15 сентября 2026 года] Название: Efficient Text-to-Image Generation: Adventive Step Regioner for Difslution Models View PDF HTML (экспериментальное) Резюме: Texter- to-image Displacing модели часто используют фиксированное число денонсирующих шагов, уравновешивая затраты времени и качество изображений. Однако оптимальное число шагов зависит от сложности оперативного ввода текста. Мы предлагаем адаптивный диффузионный контроллер, который динамическо корректирует количество шагов для эффективного создания высококачественных изображений без дополнительной подготовки моделей. Используя сочетание графиков этапов с различными размерами ступеней и оценивая расхождения в терминах ошибок на каждом шагу, наш метод переходит между графиками для оптимизации эффективности. Эксперименты по COCO и DifsumpusDB показывают, что наш подход сокращает время на вычисления при сохранении визуальной достоверности данных, предлагая более эффективную альтернативу для моделей распространения текстовых материалов. Загрузка ссылок и цитат... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства массовой информации, связанные с этой статьей альфаXiv (какая буквенная клавиатура?) Катализированный код для документов (что представляет собой…
Эффективное поколение текстоизображения: адаптивный график этапов для моделей диффузии
arXiv:2609.16572v1 Аннонс Тип: новое резюме: модели распространения текста-изображения часто используют фиксированное число денузирующих шагов, уравновешивая затраты времени и качество изображения. Однако оптимальное число шагов зависит от сложности оперативного ввода текста. Мы предлагаем адаптивный диффузионный контроллер, который динамическо корректирует количество шагов для эффективного создания высококачественных изображений без дополнительной подготовки моделей. Используя сочетание графиков этапов с различными размерами ступеней и оценивая расхождения в терминах ошибок на каждом шагу, наш метод переходит между графиками для оптимизации эффективности. Эксперименты по COCO и DifsumpusDB показывают, что наш подход сокращает время на вычисления при сохранении визуальной достоверности данных, предлагая более эффективную альтернативу для моделей распространения текстовых материалов.