ReGround：零成本改善文本与空间定位

当图像生成过程同时受到文本提示和空间线索（例如一组边界框）的引导时，这些元素是协同工作，还是其中一个主导另一个？我们对一个将门控自注意力集成到U-Net中的预训练图像扩散模型的分析表明，由于从门控自注意力到交叉注意力的顺序流，空间定位往往优于文本定位。我们证明，通过简单地重新连接网络架构，将门控自注意力和交叉注意力从顺序连接改为并行连接，可以在不牺牲任何一种定位准确性的情况下显著减轻这种偏差。这种出奇简单但有效的解决方案不需要对网络进行任何微调，却能显著减少两种定位之间的权衡。我们的实验表明，从原始的GLIGEN到重新连接后的版本，在文本定位和空间定位之间的权衡方面取得了显著改进。