# PEEK снижает ошибки генерации изображений при сэмплировании

> Исследователи предлагают плагин для сэмплера, не требующий дообучения. По их данным, он повышает оценки качества генерации у восьми диффузионных моделей при небольших затратах на калибровку.

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

Исследователи представили PEEK — плагин для диффузионных генераторов изображений, которому не нужно обучение. На выбранных шагах сэмплирования он дополнительно вычисляет результат работы денойзера, а затем использует этот прогноз для корректировки следующего шага и уменьшения смещения между обучением и генерацией — расхождения между входными данными при обучении и несовершенными данными, с которыми модель сталкивается при создании изображения.

По данным авторов, PEEK улучшил результаты по сравнению с базовыми методами при одинаковом числе вычислений денойзера на восьми моделях, работающих в пиксельном и латентном пространствах, в том числе в системах с текстовым управлением. Улучшение показателя FID достигло 49,3%; в их экспериментах калибровка плагина для одной модели занимала не более 2,2 минуты.

## Факты

- Статья принята на NeurIPS 2026.
- Авторы проверили PEEK на восьми диффузионных моделях и сообщают об улучшении показателя FID до 49,3%.

## Почему это важно

Для команд, исследующих диффузионные генераторы изображений, PEEK предлагает метод на уровне сэмплера, который можно проверять без повторного обучения. Однако статья не показывает, как он будет работать в готовых продуктах.

## Источники и ссылки

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

Обновлено: 2026-11-05