Naive PAINE: Leichtgewichtiges T2I-System verbessert Prompt-Bewertung

Text‑zu‑Bild‑Generierung wird heute vor allem von Diffusionsmodellen (DM) angetrieben, die mit zufälligem Gauß‑Rauschen starten. Das führt dazu, dass dieselben Eingabe‑Prompts bei jeder Ausführung unterschiedliche Bilder erzeugen – ein bisschen wie bei einer Slot‑Maschine. Für Anwender bedeutet das, dass sie mehrere Generationen durchlaufen müssen, bis ein zufriedenstellendes Ergebnis auftaucht.

Obwohl die Modelle stochastisch arbeiten, hängt die Qualität der erzeugten Bilder stark vom Prompt und von der Fähigkeit des Modells ab, diesen Prompt zu interpretieren. Um diese Abhängigkeit zu adressieren, schlägt Naive PAINE vor, die Bildqualität bereits im Vorfeld zu schätzen.

Das System bewertet die numerische Qualität eines Bildes anhand des anfänglichen Rauschens und des Prompts. Anschließend wählt es eine kleine Menge von „qualitativ hochwertigen“ Rauschvektoren aus und leitet sie an das Diffusionsmodell weiter. Zusätzlich liefert Naive PAINE Feedback zur generativen Leistung des Modells für einen gegebenen Prompt. Durch seine leichte Architektur lässt es sich nahtlos in bestehende DM‑Pipelines integrieren.

Experimentelle Tests zeigen, dass Naive PAINE in mehreren Prompt‑Korpus‑Benchmarks bessere Ergebnisse erzielt als bisherige Ansätze. Damit bietet es eine effiziente Lösung, um die Konsistenz und Qualität von Text‑zu‑Bild‑Generierungen zu erhöhen.