arXiv · cs.AI· Jiamu Bai, Jiaming Hu, Yanhong Wu, Zellux Wang·· 2 天前
测试时个性化：通过学习用户偏好改进扩散模型图像生成
Personalize at Test Time: Learning User Preferences for Image Generation
arXiv:2610.09015v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jiamu Bai, Jiaming Hu, Yanhong Wu, Zellux Wang
首次提交：2026-10-07 03:10
研究任务与主要进展
作者提出一种在测试时学习用户偏好的图像生成方法：利用自编码器将数百个视觉属性压缩为50个属性锚定偏好维度，并通过Bradley-Terry模型从历史偏好对估计用户特定权重。该个性化奖励用于推理阶段引导图像生成，同时保持扩散模型冻结；基于论文摘要，在真实用户偏好数据上的留出成对偏好预测准确率约为77%，并改善了生成图像与个人偏好的对齐。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org