В данной статье представлен метод Semantic Browsing, предназначенный для создания контролируемого разнообразия в моделях преобразования текста в изображение за счёт внедрения структуры в генерируемые образцы, что позволяет преодолеть недостаток осмысленных вариаций в современных системах. Подход обеспечивает разнообразие непосредственно на текстовом уровне, а не полагается на стохастические изменения внутри модели.
- Использует разделение процессов принятия семантических решений и генерации пикселей в современных моделях преобразования текста в изображение, обученных на детализированных подписях.
- Оперирует богатыми текстовыми представлениями, позволяя Vision Language Model (VLM) работать с полным контекстом сцены.
- Применяет агентный рабочий процесс, который явно обеспечивает структурированные вариации, согласованные с исходным запросом.
- Создаёт разнообразные и удобные для навигации пространства дизайна, где каждая вариация соответствует конкретному семантическому решению, понятному пользователю.
Авторы считают это важным, поскольку метод позволяет пользователям перемещаться по структурированным галереям изображений и испытывать творческое исследование через систематическое прохождение осмысленных и интерпретируемых осей вариаций.