پژوهشگران PEEK را معرفی کرده‌اند؛ افزونه‌ای برای مولدهای تصویر مبتنی بر انتشار که به آموزش مجدد نیاز ندارد. این افزونه در برخی گام‌های نمونه‌برداری، یک ارزیابی اضافی از نویززدای مدل انجام می‌دهد و سپس از پیش‌بینیِ حاصل از این نگاه به گام بعدی برای اصلاح آن استفاده می‌کند تا سوگیری مواجهه را کاهش دهد؛ یعنی ناهماهنگی میان ورودی‌های زمان آموزش و ورودی‌های ناقصی که مدل هنگام تولید با آن‌ها روبه‌رو می‌شود.
نویسندگان گزارش می‌کنند که PEEK در مقایسه با روش‌های مبنا با تعداد ارزیابی‌های یکسان از نویزدا، در هشت مدل فضای پیکسلی و فضای نهفته، از جمله مدل‌های هدایت‌شده با متن، عملکرد بهتری دارد. آن‌ها از بهبود FID تا سقف 49.3% خبر می‌دهند؛ کالیبراسیون این افزونه برای یک مدل در آزمایش‌هایشان حداکثر 2.2 دقیقه طول کشید.
چرا مهم است
برای گروه‌هایی که روی مولدهای تصویر مبتنی بر انتشار پژوهش می‌کنند، PEEK روشی در سمت نمونه‌بردار ارائه می‌دهد که می‌توان آن را بدون آموزش مجدد آزمود؛ بااین‌حال، مقاله مشخص نمی‌کند این روش در محصولاتِ در حال استفاده چه عملکردی دارد.
