激发能量扩散的创造生成过程，不要复制生产
内容提要
本文介绍了一种名为ProGen的渐进式零样本数据集生成框架，该框架利用任务特定模型反馈生成训练数据，实验结果显示其在文本分类任务中表现优异。此外，提出了多种图像生成方法，包括ProSpect和基于类原型的条件扩散模型CPDM，旨在提升图像质量和生成灵活性，并解决灾难性遗忘问题。研究还探讨了图像合成和多属性优化技术，显著提升了生成质量和灵活性。
延伸解读
ProGen：用反馈驱动数据生成
ProGen框架通过任务特定模型的反馈来指导生成新的训练数据，在五个文本分类数据集上，仅使用1%的合成数据就能达到或超过无反馈基线的性能。这提示我们，在数据稀缺场景下，利用模型反馈进行渐进式生成可能比单纯扩大数据量更高效。
图像生成：从属性编辑到高分辨率
ProSpect方法结合Prompt Spectrum Space和分阶段提示，使图像材质、风格等视觉属性更易嵌入和编辑。同时，渐进式高分辨率生成方法利用低分辨率图像辅助，在不增加训练成本的情况下突破1K分辨率限制，为生成模型能力探索提供了新思路。
缓解灾难性遗忘与提升生成质量
CPDM通过集成可学习的类原型到扩散模型去噪过程，在保持图像生成质量的同时缓解分类器中的灾难性遗忘。PROUD模型则通过多属性优化提升生成质量和Pareto最优性。这些工作表明，生成模型的质量优化正从单一指标转向多目标平衡。
扩散模型组合与图像合成新应用
将扩散模型解释为基于能量的模型，组合多个模型可生成逼真图像，解决对象属性难题。图像合成方法利用预训练扩散先验，将多张输入图像融合为连贯图像，适用于外观编辑和语义编辑，并在物体移除和多概念定制中展现潜力。
Q&A
ProGen框架的主要功能是什么？
ProGen框架利用任务特定模型的反馈生成新的训练数据，能够在文本分类任务中表现优异。
ProSpect图像生成方法的创新点是什么？
ProSpect结合Prompt Spectrum Space和per-stage prompts，使得图像的视觉属性更易于嵌入和编辑。
CPDM模型如何解决灾难性遗忘问题？
CPDM通过在去噪过程中集成可学习的类原型来保持图像生成质量，从而减少分类器中的灾难性遗忘。
如何提高个性化图像生成的质量？
通过改善数据质量和提示策略，基于Gen4Gen的半自动数据集创建流程可以显著提升个性化图像生成质量。
PROUD模型在生成质量上有什么优势？
PROUD模型通过多属性优化提升生成质量和Pareto最优性，优于其他基线模型。
新提出的图像合成方法有哪些应用潜力？
新方法在外观编辑和语义图像合成中展示了良好的潜力，适用于物体移除和多概念定制等任务。
