Mine-Sample-Render：生成模型的测试时多样性对齐方法

Mine, Sample, Render: Test-Time Diversity Alignment Of Generative Models

AI 导读

研究者提出 MINE-SAMPLE-RENDER（MSR），一种测试时方法，将多样性外化为从真实语料挖掘可解释类别模式并据此采样属性配置，生成模型仅作为条件渲染器。在天气预报生成、用户模拟、网页设计、文生图和智能体生成 3D 资产任务上，MSR 提升了输出与语料分布的对齐度及生成多样性。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：现代生成模型能产生高质量的单体输出，但难以进行多样化采样，即使被明确要求这样做也是如此。我们提出了 MINE-SAMPLE-RENDER（MSR），一种测试时方法，将多样性外化为一个显式的、从语料库中导出的采样过程。我们的流程 (i) 从真实作品的语料库中挖掘出一个可解释的分类模式，并提供用于采样的统计数据；(ii) 从语料库导出的统计数据中采样属性配置；(iii) 将生成模型纯粹用作采样配置的条件渲染器。在天气预报生成、用户模拟、网页设计、文本到图像生成以及智能体生成的 3D 资产中，我们评估了 MSR 引导生成的多样性和输出质量，并表明 MSR 改善了与语料库分布的对齐以及生成输出的多样性。

主题：	人工智能（cs.AI）；机器学习（cs.LG）
引用为：	arXiv:2610.21185 [cs.AI]
	（或 arXiv:2610.21185v1 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.21185 arXiv 颁发的 DOI 通过 DataCite（待注册）

提交历史

来自：Morris Sharp [查看电子邮件]
[v1] 2026年10月15日星期四 03:40:07 UTC（47,253 KB）

来源：arXiv cs.AI · arxiv.org