テキストから画像への拡散モデルを人間の効用を最大化することで整列させる

テキストから画像への拡散モデルを、人間の効用を最大化することで整列させる。ペアの好み情報を収集する必要がなく、単純なイメージごとのバイナリフィードバックのみで学習できる。