ELLA（Efficient Large Language Model Adapter）是一种轻量级方法，旨在提高文本对图像模型的提示跟随和理解长文本能力。通过设计时间感知语义连接器，提取预训练的LLM中的时间步相关条件，动态适应不同采样时间步的语义特征，从而在不同的语义层次上对U-Net进行冻结。ELLA在DPG-Bench等基准测试中表现优越，在涉及多个对象组合、不同属性和关系的密集提示方面表现出色。
1. 通过LLM增强扩散模型的文本对齐能力
2. 无需训练U-Net和LLM即可提高模型的提示跟随能力
3. 设计了时间感知语义连接器，提取LLM中的时间步相关条件
4. 提供了Dense Prompt Graph Benchmark基准测试，评估文本对图像模型的密集提示跟随能力
5. 能够与社区模型和下游工具（如LoRA和ControlNet）无缝整合，提高其文本-图像对齐能力
1. 提高模型的提示跟随和理解长文本能力
2. 表现优越，尤其在涉及多个对象组合、不同属性和关系的密集提示方面表现出色
3. 无需额外训练即可增强文本对齐能力
1. 社交媒体平台希望改进其自动生成图像的提示对齐能力 2. 研究人员需要对复杂文章进行图像生成，使用ELLA提高提示跟随和理解能力 3. 设计师需要根据详细描述生成图像，借助ELLA实现文本到图像的精准转换
1. 提升文本对图像模型的长文本理解和提示跟随能力 2. 具有优越性能，在复杂场景下表现出色 3. 无需额外训练，可快速应用提高文本到图像的转换能力
目前没有提及ELLA的局限性
