让AI画13个鸡蛋,它给你12个、15个,或者一盘黏在一起的蛋。不是模型笨,是它压根没在数数。扩散模型生图,是从一团噪声里一步步去噪,靠文本和图像的统计关联往下走。「13」在训练数据里是个词,不是13个各占一块地方的东西。模型学的是「一盘鸡蛋大概长这样」,不是「这里一个、那里一个,一共13个互不重叠的实例」。要数得准,先得有实例级的位置规划:哪片像素归第一个蛋,哪片归第二个,边界不能糊。这套先分割再计数的活儿,语言给不了,去噪过程也长不出来。所以越是要精确数量、精确文字、精确手指,越容易翻车——都是离散的、得逐一核对的东西,正好撞在概率生成的短板上。氛围、质感、构图它反而特别强,因为那些本来就是连续分布。真要让AI数得准,路子是把检测或分割模型接在后面做校验,让生成和核对分开干,而不是指望一个模型又画又数。
让AI画13个鸡蛋,它给你12个、15个,或者一盘黏在一起的蛋。不是模型笨,是它压根没在数数。 扩散模型生图,是从一团噪声里一步步去噪,靠文本和图像的统计关联往下走。「13」在训练数据里是个词,不是13个各占一块地方的东西。模型学的是「一盘鸡蛋大概长这样」,不是「这里一个、那里一个,一共13个
阅读:0
点赞:0