텍스트를 이미지로 전환하는 확산 모델에서 만족도-다양성 경계를 넘나들다.

텍스트-이미지 생성은 사용자가 같은 프롬프트에서 생성된 여러 이미지를 탐색할 수 있도록 한다. 이러한 생성된 이미지가 유용하려면, 사용자가 선호하는 것을 측정하는 학습된 보상에 따라 각 이미지가 반영되어야 하며, 다른 이미지를 유지하기 위해 시각적으로 다른 모습을 보여야 한다. 기존의 방법은 한계가 있다: 보상과 다양성을 따로 다루거나, 그들을 한 개의 집계 점수로 결합하여, 보상이 낮은 것을 보상이 높은 것으로 보상하는 높은 다양성을 허용한다. 이 논문에서는 이러한 한계를 해결하기 위해 생성을 만족하는 것으로 정의한다: 각 이미지(候補)는 보상 Floor를 만족하고, 이미지 배치(집)는 다양성 Cutoff를 만족해야 한다. 보상 Floor는 최악의候補 보상과 배치 다양성 사이의 균형을 제어한다. 우리는 이 Floor를 바꾸면 Pareto frontier를 정의한다고 보여준다. 이 frontier를 탐색하기 위해, 우리는 SatisDive라는 훈련-free inference-time 방법을 소개한다. SatisDive는 배치-적합한 보상 Cutoff를 사용하여, 보상이 낮은候補를 향상시키는 보상 향상과, 보상이 높은候補 사이의 다양성을 강조한다. Pick-a-Pic에서, SatisDive는 FK steering에 비해 FLUX.1-dev를 기초 모델로 하고 HPSv3를 보상으로 사용할 때, 최악의候補 보상이 0.43로 향상되고, SANA-1.6B를 기초 모델로 하고 ImageReward를 보상으로 사용할 때, 0.70으로 향상된다. 더 넓게, DreamSim의 중첩되는 영역에서, SatisDive의 satisfaction-diversity 곡선은 FK steering의 곡선보다 Pareto-dominates한다.