テキスト条件付き画像生成、構造化言語で性能が線形改善

要約

テキスト条件付き拡散モデルの画像生成において、構造化言語の量に応じて収束後の損失が線形・べき乗則で改善することを実証した。白箱メトリクス (GPG) と黒箱メトリクス (ED) で測定した結果、構造化言語が豊富なプロンプトほど損失が減少した。これに基づき、画像由来のセマンティック・幾何学的アノテーションを含めたプロンプト構造化と、教師あり微調整・コールドスタート・検証器制御の蒸留を組み合わせた改善を実施した。