Table of Contents
Reflect-DiT讲解 Link to Reflect-DiT讲解
Motivation Link to Motivation
在文本到图像生成领域，提升性能的主要方法一直是训练时扩展，即在更多数据上使用更大的计算资源训练更大的模型。
虽然这种方法有效，但其计算成本高昂，因此人们越来越关注推理时扩展以提高性能。
目前，文本到图像扩散模型的推理时扩展主要限于best of N采样，即为每个提示生成多张图像，然后由选择模型选出最佳输出。
受到DeepSeek-R1等推理模型在语言领域近期成功的启发，我们为文本到图像扩散Transformer引入了一种替代朴素Best of N采样的方法，赋予其上下文反思能力。
我们提出了Reflect-DiT，该方法使扩散Transformer能够利用先前生成的图像及其文本反馈（描述必要的改进）作为上下文示例来改进其生成结果。Reflect-DiT并非被动地依赖随机采样并寄希望于未来的生成能有所改善，而是明确地调整其生成过程以解决需要改进的具体方面。
Method Link to Method
- 每次得到的图片经过VLM得到结果，经过encoder编码再和之前的prompt一起进入DiT，作为condition一起生成新图，不断修正
Thanks for reading!