图像生成

RubricRL: Simple Generalizable Rewards for Text-to-Image Generation

RubricRL：文本到图像生成的简单通用奖励

Xuelu Feng, Yunsheng Li, Ziyu Wan, Zixuan Gao, Junsong Yuan, Dongdong Chen, Chunming Qiao

机构 * University at Buffalo（布法罗大学） ； Microsoft CoreAI（微软核心人工智能） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；image generation(title)；分类 cs.CV

AI总结 提出RubricRL框架，通过为每个提示动态构建可分解的检查表（如对象正确性、属性准确性等），并由多模态评判器独立评估，实现可解释、可组合的奖励设计，提升文本到图像生成的对齐效果。

One Rewrite to Fix Them All? Type-Aware Repair Allocation for Text-to-Image Prompt Optimization

一劳永逸？用于文本到图像提示优化的类型感知修复分配

Haoyue Liu, Xiaoyu Ma, Ye Chen, Shuguang Cui, Xiaoying Tang

机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院） ； XJTU-POLIMI Joint School, Xi’an Jiaotong University（西安交通大学-米兰理工大学联合学院） ； Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)（深圳未来智能网络研究院） 纠错

专题命中 文生图 ：text-to-image(title,abstract)

AI总结 研究文本到图像提示优化问题，提出将语义提示优化制定为原子修复分配的方法，在无需训练的TARA框架中实例化，实验表明该方法在多个基准生成器单元中语义准确性最佳，且运行快、图像质量好。