ADAPT：面向稀有概念生成的注意力驱动自适应提示调度与插值正交补充
计算机视觉与模式识别
2026-03-20 v1
摘要
在文本到图像合成中生成稀有组合概念仍是扩散模型面临的挑战，尤其是对于训练数据中不常见的属性。虽然最近的方法如 R2F 通过利用 LLM 实现提示调度来解决此问题，但由于语言模型的随机性以及迭代文本嵌入切换的次优引导，这些方法存在固有的方差。为解决此问题，我们提出了 ADAPT 框架，一个无训练的框架，通过确定性规划和语义对齐提示计划，为稀有概念的合成提供一致的引导，从而增强稀有概念的组合性。在利用注意力得分和正交分量的基础上，ADAPT 在无需额外训练或微调的情况下显著提升了稀有概念在 RareBench 基准上的组合生成性能。通过系统实验，我们展示了 ADAPT 在 RareBench 上的卓越性能，准确反映稀有属性的语义信息，为稀有组合的生成提供确定性和精确的控制，同时不损害视觉完整性。
引用
@article{arxiv.2603.19157,
title = {ADAPT: Attention Driven Adaptive Prompt Scheduling and InTerpolating Orthogonal Complements for Rare Concepts Generation},
author = {Kwanyoung Lee and Hyunwoo Oh and SeungJu Cha and Sungho Koh and Dong-Jin Kim},
journal= {arXiv preprint arXiv:2603.19157},
year = {2026}
}
备注
Accepted in CVPR 2026 (findings). 10 pages, 4 figures; supplementary material included (8 pages, 10 figures)