Understanding the Impact of Negative Prompts: When and How Do They Take Effect?

负向提示的概念源自于像稳定扩散这样的条件生成模型，它允许用户指定在生成的图像中排除哪些内容，展示了显著的实用效果。尽管负向提示得到了广泛应用，但它们的内在机制仍然未被深入探究。本文提出了第一篇全面研究负向提示如何以及何时发挥作用的论文。我们的广泛实证分析确定了负向提示的两种主要行为：延迟效应和通过中和删除。负向提示的影响是在正向提示呈现相应内容之后观察到的。通过在潜在空间中相互抵消的方式，负向提示从生成的图像中删除概念。这些洞察力揭示了重要的潜在实际应用，例如，我们演示了负向提示如何通过简单的自适应算法，以最小的背景修改来促进对象修复。我们相信我们的研究结果将为社区提供有价值的见解，以充分利用负向提示的潜力。

本论文旨在探讨负面提示机制的内在机制，以及如何利用负面提示实现物体修复等实际应用。

本文首次全面研究了负面提示的作用机制，发现负面提示具有延迟效应和通过中和删除的特点。

论文设计了丰富的实验验证了负面提示的有效性，并提出了简单的自适应算法用于物体修复。此外，本文的研究成果为负面提示的进一步应用提供了有价值的启示。

在相关研究方面，最近的研究包括但不限于：《Stable Diffusion for Generating High-Dimensional Images》、《GAN Dissection: Visualizing and Understanding Generative Adversarial Networks》等。