个性化文本到图像生成以适应个体品味
机器学习
2026-04-10 v1 人工智能
摘要
现代文本到图像(T2I)模型生成高保真视觉效果，但对个体用户偏好仍然无动于衷。虽然现有奖励模型优化"平均"人类吸引力，但它们未能捕捉美学判断的固有主观性。在这项工作中，我们引入了一个新颖的数据集和预测框架 PAMELA，旨在建模个性化图像评估。我们的数据集包含 70,000 条评分，涵盖 5,000 张由最先进模型(Flux 2 和 Nano Banana)生成的多样化图像。每张图像由 15 位独特用户评估，提供了艺术、设计、时尚和电影摄影等领域的丰富主观偏好分布。利用这些数据，我们提出了一种个性化奖励模型，在我们的高质量标注和现有美学评估子集上联合训练。我们证明我们的模型预测个体偏好的准确度高于大多数当前最先进方法预测群体级偏好的准确度。使用我们的个性化预测器，我们展示了简单提示优化方法如何用于引导生成朝向个体用户偏好。我们的结果强调了数据质量和个性化在处理用户偏好主观性方面的重要性。我们发布了数据集和模型，以促进个性化 T2I 对齐和主观视觉质量评估的标准化研究。
引用
@article{arxiv.2604.07426,
title = {GIRL: Generative Imagination Reinforcement Learning via Information-Theoretic Hallucination Control},
author = {Prakul Sunil Hiremath},
journal= {arXiv preprint arXiv:2604.07426},
year = {2026}
}
备注
20 pages, 2 figures, 7 tables; reinforcement learning, world models