Optimizing Negative Prompts for Enhanced Aesthetics and Fidelity in Text-To-Image Generation

在文本生成图像方面，使用描述不良图像特征的负面提示可以显著提高图像质量。然而，生成良好的负面提示是一项手动而繁琐的任务。为了解决这个问题，我们提出了NegOpt，一种新的方法，通过监督微调和强化学习来优化负面提示的生成，以增强图像生成。我们的综合方法使Inception Score增加了25%，超过了测试集的基准负面提示。此外，使用NegOpt，我们可以优先优化对我们最重要的指标。最后，我们构建了一个负面提示数据库（Negative Prompts DB）。

论文旨在解决文本生成图像时需要手动生成负面提示的问题，提出了一种自动化生成负面提示的方法。

论文提出了NegOpt方法，将有监督微调和强化学习相结合，优化生成负面提示的过程，从而提高图像生成的质量。

NegOpt方法可以显著提高Inception Score达25%，超过测试集中的ground-truth负面提示。同时，可以根据需求优化最重要的指标。此外，论文还构建了Negative Prompts DB数据集。

与本文相关的研究包括：Generative Adversarial Networks (GANs)、VAE-GAN、Text-to-Image Generation、Negative Sampling等。