論文の概要: Understanding the Impact of Negative Prompts: When and How Do They Take Effect?

• arxiv url: http://arxiv.org/abs/2406.02965v1
• Date: Wed, 5 Jun 2024 05:42:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 19:49:25.111143
• Title: Understanding the Impact of Negative Prompts: When and How Do They Take Effect?
• Title（参考訳）: 負のプロンプトの影響を理解する:いつ、どのように影響をもたらすか?
• Authors: Yuanhao Ban, Ruochen Wang, Tianyi Zhou, Minhao Cheng, Boqing Gong, Cho-Jui Hsieh,
• Abstract要約: 本稿では, 負のプロンプトがどのように作用するか, どのように作用するかを明らかにするための, 初めての総合的研究について述べる。 我々の経験的分析は、負のプロンプトの2つの主要な挙動を識別する。 負のプロンプトは、単純な適応アルゴリズムによって、背景に最小限の変更を加えて、オブジェクトの塗り絵をしやすくする。
• 参考スコア（独自算出の注目度）: 92.53724347718173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The concept of negative prompts, emerging from conditional generation models like Stable Diffusion, allows users to specify what to exclude from the generated images.%, demonstrating significant practical efficacy. Despite the widespread use of negative prompts, their intrinsic mechanisms remain largely unexplored. This paper presents the first comprehensive study to uncover how and when negative prompts take effect. Our extensive empirical analysis identifies two primary behaviors of negative prompts. Delayed Effect: The impact of negative prompts is observed after positive prompts render corresponding content. Deletion Through Neutralization: Negative prompts delete concepts from the generated image through a mutual cancellation effect in latent space with positive prompts. These insights reveal significant potential real-world applications; for example, we demonstrate that negative prompts can facilitate object inpainting with minimal alterations to the background via a simple adaptive algorithm. We believe our findings will offer valuable insights for the community in capitalizing on the potential of negative prompts.
• Abstract（参考訳）: 負のプロンプトの概念は、安定拡散のような条件付き生成モデルから生まれ、ユーザーは生成された画像から何を除外すべきかを指定できる。 %であり,有意な有効性を示した。 負のプロンプトが広く使われているにもかかわらず、その固有のメカニズムはほとんど解明されていない。 本稿では, 負のプロンプトがどのように作用するか, どのように作用するかを明らかにするための, 初めての総合的研究について述べる。 我々の広範な経験的分析は、負のプロンプトの2つの主要な挙動を識別する。 遅延効果: 正のプロンプトが対応するコンテンツをレンダリングした後、負のプロンプトの影響が観察される。 Deletion through Neutralization: Negativeは、肯定的なプロンプトを持つ潜在空間における相互キャンセル効果を通じて生成されたイメージから概念を削除する。 これらの知見は、例えば、ネガティブなプロンプトは、単純な適応アルゴリズムによって、背景に最小限の変更を加えることで、オブジェクトの塗布を促進できることを示す。 私たちの発見は、ネガティブなプロンプトの可能性に乗じて、コミュニティに貴重な洞察をもたらすだろうと考えています。

関連論文リスト

• Optimizing Negative Prompts for Enhanced Aesthetics and Fidelity in Text-To-Image Generation [1.4138057640459576]
  我々は、画像生成の高速化に向けて、負のプロンプト生成を最適化する新しい方法であるNegOptを提案する。 その結果,他の手法と比較して,インセプションスコアの25%が大幅に増加した。
  論文  参考訳（メタデータ） (2024-03-12T12:44:34Z)
• Contrastive Learning with Negative Sampling Correction [52.990001829393506]
  PUCL(Positive-Unlabeled Contrastive Learning)という新しいコントラスト学習手法を提案する。 PUCLは生成した負のサンプルをラベルのないサンプルとして扱い、正のサンプルからの情報を用いて、対照的な損失のバイアスを補正する。 PUCLは一般的なコントラスト学習問題に適用でき、様々な画像やグラフの分類タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-13T11:18:18Z)
• Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination [62.18768931714238]
  提案手法は, サンプリングによる新規な偽陰性除去 (FNE) 戦略である。 その結果,提案した偽陰性除去戦略の優位性が示された。
  論文  参考訳（メタデータ） (2023-08-08T16:31:43Z)
• SimANS: Simple Ambiguous Negatives Sampling for Dense Text Retrieval [126.22182758461244]
  評価結果によると, 正の値にランク付けされた負の値は, 一般的にはより情報的であり, 偽陰の可能性が低いことがわかった。 そこで本研究では,よりあいまいな負のサンプリングに新しいサンプリング確率分布を組み込んだ,単純な曖昧な負のサンプリング手法であるSimANSを提案する。
  論文  参考訳（メタデータ） (2022-10-21T07:18:05Z)
• Understanding CNNs from excitations [12.25690353533472]
  サリエンシマップは、畳み込みニューラルネットワークの決定を解明するための非常に効果的なアプローチであることが証明されている。 本稿では, 各層に対して正負励起を直接抽出できる, 正負励起という新しい概念を提案する。
  論文  参考訳（メタデータ） (2022-05-02T14:27:35Z)
• Investigating the Role of Negatives in Contrastive Representation Learning [59.30700308648194]
  ノイズコントラスト学習は教師なし表現学習の一般的な手法である。 我々は、これらのパラメータの1つの役割の曖昧さ、すなわち負の例の数に焦点をあてる。 結果が我々の理論と広く一致しているのに対して、我々の視覚実験はより悪質であり、性能は時々負の数に敏感である。
  論文  参考訳（メタデータ） (2021-06-18T06:44:16Z)
• Removing Gamification: A Research Agenda [13.32560004325655]
  私は、この芸術の現状とゲーミフィケーションの除去の影響について、迅速にレビューします。 発見は、ゲーミフィケーションの除去に関連するプラス効果とマイナス効果の混合を示唆している。 私は最終的に、システムが非ゲーミフィケーションされた後に発する可能性のある効果を照らすための経験的および理論的研究を求めます。
  論文  参考訳（メタデータ） (2021-03-10T03:59:46Z)
• AdCo: Adversarial Contrast for Efficient Learning of Unsupervised Representations from Self-Trained Negative Adversaries [55.059844800514774]
  本稿では,正の問合せに対して識別が難しい表現を訓練するためのAdCoモデルを提案する。 実験により,AdCoモデルが優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2020-11-17T05:45:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。