# PEEK punta a ridurre gli errori nelle immagini di diffusione

> I ricercatori propongono un plug-in per il campionamento che non richiede addestramento e che, secondo loro, migliora i punteggi di generazione delle immagini con otto modelli di diffusione, con un costo contenuto per la calibrazione.

Oossa · 2026-11-05 · https://oossa.com/it/peek-aims-to-reduce-diffusion-image-errors-during-sampling

I ricercatori hanno presentato PEEK, un plug-in che non richiede addestramento per i generatori di immagini a diffusione. In determinati passaggi del campionamento esegue un'ulteriore valutazione del denoiser, quindi usa questa previsione anticipata per modificare il passaggio successivo e ridurre il bias di esposizione: la discrepanza tra gli input usati durante l'addestramento e quelli imperfetti che il modello incontra durante la generazione.

Gli autori riportano miglioramenti rispetto a metodi di riferimento con lo stesso numero di valutazioni del denoiser, su otto modelli che operano nello spazio dei pixel e in quello latente, comprese configurazioni guidate da testo. Riferiscono miglioramenti dell'FID fino al 49,3%; nei loro esperimenti, la calibrazione del plug-in per un modello ha richiesto al massimo 2,2 minuti.

## I fatti

- L'articolo è stato accettato a NeurIPS 2026.
- Gli autori hanno testato PEEK su otto modelli di diffusione e riportano miglioramenti dell'FID fino al 49,3%.

## Perché conta

Per i team che studiano i generatori di immagini a diffusione, PEEK offre un metodo da provare direttamente sul campionatore, senza riaddestrare i modelli; l'articolo, tuttavia, non dimostra come si comporti nei prodotti effettivamente distribuiti.

## Fonti e riferimenti

1. [PEEK: One-Step-Look-Ahead Exposure Bias Correction for Diffusion Sampling](https://arxiv.org/abs/2611.05407) – arXiv cs.CV, 2026-11-05

Ultimo aggiornamento: 2026-11-05