从 B 到 A：嵌入几何在 Stable Diffusion 图像插值中的作用
计算机视觉与模式识别
2025-11-18 v1 人工智能
摘要
可以证明，Stable Diffusion 对 CLIP 嵌入矩阵的行具有排列不变性。这激发了一种新颖观察，即这些嵌入可以自然地解释为 Wasserstein 空间中的点云，而不是欧几里得空间中的矩阵。这一视角开辟了理解嵌入空间几何的新可能性。例如，在插值两个不同提示的嵌入时，我们提出将插值问题重新表述为最优传输问题。通过求解该最优传输问题，我们计算嵌入之间的最短路径（或测地线），该路径捕捉了通过嵌入空间更自然、几何平滑的过渡。这一结果在由 Stable Diffusion 生成模型渲染的中间（插值）图像中表现出更平滑和更连贯的特征。我们进行实验以检验这一效果，比较使用最优传输生成的插值图像质量与其他标准插值方法的差异。所提出的基于最优传输的新方法确实提供了更平滑的图像插值，表明将嵌入视为点云（而非矩阵）更好地反映并利用了嵌入空间的几何结构。
引用
@article{arxiv.2511.12757,
title = {Which Way from B to A: The role of embedding geometry in image interpolation for Stable Diffusion},
author = {Nicholas Karris and Luke Durell and Javier Flores and Tegan Emerson},
journal= {arXiv preprint arXiv:2511.12757},
year = {2025}
}