Best Prompts for Text-to-Image Models and How to Find Them

要約

生成モデル、特にテキストガイド拡散モデルにおける最近の進歩により、プロの人間のアーティストの作品に似た美的に満足できる画像の作成が可能になりました。
ただし、プロンプトと呼ばれるテキストの説明を慎重に作成し、一連の明確なキーワードを追加する必要があります。
美学はコンピューターで評価するのが難しいため、最適なプロンプトの定式化とキーワードの組み合わせを決定するには人間のフィードバックが必要です。
この論文では、遺伝的アルゴリズムを使用してプロンプト キーワードの最も有用な組み合わせを学習するためのヒューマン イン ザ ループ アプローチを紹介します。
また、このようなアプローチが同じ説明を描いた画像の美的魅力をどのように改善できるかを示します。

要約(オリジナル)

Recent progress in generative models, especially in text-guided diffusion models, has enabled the production of aesthetically-pleasing imagery resembling the works of professional human artists. However, one has to carefully compose the textual description, called the prompt, and augment it with a set of clarifying keywords. Since aesthetics are challenging to evaluate computationally, human feedback is needed to determine the optimal prompt formulation and keyword combination. In this paper, we present a human-in-the-loop approach to learning the most useful combination of prompt keywords using a genetic algorithm. We also show how such an approach can improve the aesthetic appeal of images depicting the same descriptions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google