T-DIG: Sự đa dạng theo văn bản để tạo ra hình ảnh

Đoạn trích bài viết

Các nền tảng Text-to-Image (T2I) thường trả lại nhiều hình ảnh mỗi lần để người dùng có thể khám phá các giải thích trực quan khác nhau và chọn một cái phù hợp với ý định của họ. Tuy nhiên, các mô hình T2I thường được tối ưu hóa cho chất lượng hình ảnh đơn, mà đến với chi phí đa dạng hình ảnh, hạn chế loại hình này.