image-text dataset | BriefGPT

关键词image-text dataset

搜索结果 - 7

FontStudio: 形状自适应扩散模型用于一致的字体特效生成
我们引入一种新颖的形状自适应扩散模型，能够解释给定形状并在非规则画布内策划像素分布，用于生成多语言字体的文本效果；此外，我们还提出了一种训练免费的、形状自适应的效果转移方法，用于在生成的参考字母和其他字母之间传递纹理和字体效果信息。使用用户
PDF22 days ago
ChatEarthNet: 用于遥感的全球规模高质量图像 - 文本数据集
我们提供了一个全球范围、高质量、多样性广泛、描述详细的图像 - 文本数据集 ChatEarthNet，其中包含由 ChatGPT-3.5 生成的 163,488 个图像 - 文本对及额外的由 ChatGPT-4V 生成的 10,000 个图
PDF5 months ago
鹦鹉字幕教授 CLIP 识别文本
CLIP 模型在图像 - 语言任务中被广泛应用，然而该模型在文本定位方面存在严重的偏见问题；研究发现在 LAION-2B 数据集中，约 50% 的图像含有嵌入文本内容，而 90% 的图像标题对嵌入文本基本重复；通过对不同标准下的训练集进行实
PDF6 months ago
几何消除：基于几何的扩散模型中隐含概念的去除
通过个性化数据集对扩散模型进行微调是一种被认可的方法，可以在下游任务中提高生成质量，然而，这种方法常常会无意中生成水印和 QR 码等意外概念，这是由于特定下游任务中图像来源和收集方法的限制所引起的。我们提出了一种新方法，即 methodna
PDF9 months ago
无需进一步训练的预训练基础模型应对 VQA
通过结合预训练大型语言模型和其他基础模型，本研究探索了一种无需进一步训练即可解决视觉问答问题的方法，并对不同的解码策略在 VQAv2 数据集上进行了性能评估。
PDF9 months ago
TeTIm-Eval：一个用于比较文本到图像模型的新型策划评估数据集
本文提出一种基于 CLIP-score、人类判断和包含 10 个类别的高质量图片文本数据集的新型评估方法，用于评估和比较最新的文本到图片模型。实验结果表明，人类判断的准确性与 CLIP-score 完全一致。数据集已经向公众开放。
PDF2 years ago
多模态掩模自编码器学习可转移表示
本论文提出一种基于 Masked Token 预测的大型多模式模型 (M3AE)，能在不引入偏好于数据增强的对比学习目标的情况下，学习出适用于下游任务的可传递表示，并证明了高文本遮盖率下训练能够显著提升模型性能。M3AE 能够在配对和非配对
PDF2 years ago