介绍

即使使用稳定扩散或小马扩散等强大的工具，创建始终如一的高质量人工智能生成图像也具有挑战性。一项有用的创新是使用分数标签、特殊关键字，例如score_9 、 score_8_up和score_7_up 。这些标签引导人工智能模型根据人类偏好生成更好的图像。

在这篇文章中，我们将清楚地解释什么是分数标签、它们如何工作，以及为什么它们对于改进人工智能生成的图像很重要。

什么是分数标签？

 score_9, score_8_up, score_7_up, score_6_up, score_5_up, score_4_up

分数标签是在训练期间添加到图像上的标签，用于根据人类评分来指示其视觉质量。这是一个简单的细分：

• Score_9 → 前 10% 质量图像
• Score_8_up → 前 20%（80–90% 范围）
• Score_7_up → 前 30%（70–80% 范围）
• Score_6_up → 前 40%（60–70% 范围）
• Score_5_up → 前 50%（50–60% 范围）
• Score_4_up → 前 60%（40–50% 范围）

这些标签帮助人工智能模型了解人类认为什么具有视觉吸引力。

为什么分数标签很重要？

分数标签至关重要，因为它们可以清楚地向人工智能模型显示平均图像和特殊图像之间的差异。通过定期查看高质量的示例，模型可以了解哪些视觉特征有助于更好的美观。这种学习过程增强了其生成一致有吸引力的图像的能力。

此外，分数标签使用户可以精确控制人工智能生成图像的质量。例如，通过使用标签score_9 ，用户指示模型以尽可能高的质量为目标。或者，使用诸如score_6_up之类的标签可确保生成的图像至少高于平均水平。这种灵活性允许用户微调图像生成以满足他们的特定需求。

分数标签还有助于提高训练数据本身的质量。并非数据集中的每个图像都具有相同的质量。标签有助于过滤掉质量较低的图像，使模型能够将学习重点放在可用的最佳示例上。整体而言，这会产生更加稳健和可靠的人工智能模型。

如何使用分数标签？

训练期间

培训过程通常是这样进行的：

1. 图像收集→ 从各种来源收集许多图像。
2. 质量评估→ 人工审核员（或自动化系统）对视觉质量进行评分。
3. 标记→ 根据评分分配适当的分数标签（ score_9 、 score_8_up等）。

一旦图像被标记，人工智能模型就会学习与每个质量级别相关的视觉特征。

图像生成期间

生成新图像时，用户可以在提示中添加分数标签。例如：

• score_9 → 模型尝试生成尽可能最好的图像。
• score_6_up → 模型的质量至少高于平均水平。

这种方法可以让用户精确控制图像质量。

最后的想法

分数标签是在稳定扩散和小马扩散模型中增强 AI 生成图像的有效方法。他们教导模型如何使图像更具吸引力，为用户提供更大的控制权，并帮助维护高质量的训练数据。随着技术的发展，预计会有更好的结果和更先进的标签系统。

如果您使用 Stable Diffusion 或 Pony Diffusion，请尝试在提示中添加分数标签 – 您可能会注意到显着的改进！

原文： https://atlassc.net/2025/05/03/score-tags-with-pony-models