测试时个性化：学习用于图像生成的用户偏好

英文标题：Personalize at Test Time: Learning User Preferences for Image Generation

论文探讨如何让扩散模型生成的图像更贴合个体用户偏好。尽管扩散模型已能生成高质量图像，但在有限用户反馈条件下准确建模多样化偏好仍然具有挑战。作者将这一问题聚焦于测试时的个性化学习，对面向用户定制图像生成的开发者和产品设计具有参考意义。原始摘要内容不完整，未提供具体方法、实验数据或结论细节。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB