TILT：利用模型内在奖励改进扩散模型的组合性生成

强大的文生图模型的最新进展，使得开发在测试时修改采样轨迹、生成更忠实于复杂组合提示的图像的方法日益重要。我们提出TILT，一个通过测试时奖励对齐实现组合性文生图的免训练框架。我们将组合失败解释为联合分布与单概念分布之间的重叠模式，并定义了一个偏好所有概念共同出现的样本的奖励。该奖励是基础模型内在的，不需要任何外部监督或奖励模型。这得到一个带KL约束的目标，其倾斜目标分布具有闭式解，并为扩散采样提供了有原则的引导步骤。概念分布的交互与上述奖励自然产生了两种不同的引导策略，而平衡二者各自优点的混合方法带来更强的性能。在T2ICompBench提示上的实验表明，与以往基线相比，我们的方法在保持图像质量的同时改善了组合对齐。