ArticleMetadataMain page

source · 2026-04-15

通过图像特定提示学习实现零样本生成模型适配（CVPR 2023）

#near-cvpr-2025#image-generation#image-editing#primary-source

通过图像特定提示学习实现零样本生成模型适配（CVPR 2023）

会议：CVPR 2023
发表日期：2023/04/06
资料加入日期：2026-04-14

一句话结论

这篇工作把 image-specific prompt learning 路线补进库里，强化了零样本生成适配分支。

问题定义

它要解决的是生成模型在面对具体图像实例时，如何不经过重训练就实现更贴合的适配。对当前知识库来说，它补的是 prompt-level adaptation 这条更轻量的生成路线。

方法概述

该工作通过 image-specific prompt learning 实现 zero-shot generative model adaptation，让模型围绕具体图像实例学习更有效的提示表示。

关键发现

  • 它说明 image-generation 的适配能力不只依赖模型权重更新，也可以走提示层适配路线。
  • 它和 Prompt Tuning Inversion、Specialist Diffusion 一起让“轻量适配”这条线更成体系。
  • 它对以后做低成本个性化/编辑增强方向很有参考价值。

局限或疑问

  • 提示层适配的上限通常受原模型能力限制。
  • 它更适合轻量适配场景，不一定覆盖复杂多概念需求。
  • 它是 prompt adaptation 节点，但不是完整个性化体系。

原始链接

  • https://arxiv.org/abs/2304.03119
  • https://arxiv.org/pdf/2304.03119

相关页面

备注

这篇工作在库里的作用，是把 image-specific prompt adaptation 路线补成 image-generation / image-editing 的轻量分支。

Metadata

{
  "id": "2026-04-14-image-specific-prompt-learning",
  "type": "source",
  "title": "通过图像特定提示学习实现零样本生成模型适配（CVPR 2023）",
  "status": "reviewed",
  "created": "2026-04-14",
  "updated": "2026-04-15",
  "venue": "CVPR 2023",
  "ingested_at": "2026-04-14",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "image-editing",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Guo, Jiayi",
    "Wang, Chaofei",
    "Wu, You",
    "Zhang, Eric",
    "Wang, Kai",
    "Xu, Xingqian",
    "Song, Shiji",
    "Shi, Humphrey",
    "Huang, Gao"
  ],
  "published_at": "2023/04/06",
  "canonical_links": [
    "https://arxiv.org/abs/2304.03119",
    "https://arxiv.org/pdf/2304.03119"
  ],
  "raw_entry": "raw/ingest/2026-04-14-image-specific-prompt-learning/",
  "topics": [
    "topics/image-generation",
    "topics/image-editing"
  ],
  "entities": [
    "entities/unified-image-generation-editing"
  ],
  "claims": [],
  "questions": [
    "questions/question-will-unified-image-models-sustain-their-advantage"
  ]
}