文本到圖像擴散模型如何運作，直到我們了解視覺語言模型的功能

文本到圖像擴散模型在生成複雜提示涉及多個屬性和物體的圖像時，合成質量通常會下降。我們發現CLIP文本編碼器在理解屬性方面存在偏差和上下文問題,這影響了擴散模型的屬性綁定。我們提出Magnet,一種無需訓練的方法來解決這一問題。