第 45 名解决方案

竞赛致谢与反思

首先，我要衷心感谢 Kaggle 组织了这次竞赛，这提供了一个极好的机会来扩展我的知识和技能。
我还要感谢 Kawsar Hossain @kawchar85 的富有洞察力的帖子 (链接)，这是我工作的重要灵感来源。

竞赛动态

在竞赛的最后一周，排行榜上的动态显著加剧，这让我怀疑某些参与者可能发现了一种新的最先进技术 (SOTA) 文本到图像模型。

因此，我对 arXiv、Hugging Face 和 OpenReview 上的近期出版物进行了 thorough 审查，但没有发现实质性的突破。
这促使我重新评估我的策略，专注于优化我现有的解决方案。

关键实验发现

以下是竞赛中关键实验发现的总结：

1. SDXL Base / Turbo 和 SDXL Hyper

• 用户友好 且需要最少的参数调整。
• 促进了较低的入门门槛。
• 我在中期采用了这种方法，最初取得了高排名，但在后期有所下降。

2. SANA 1.5

• 使用简单的参数设置表现良好，yielding 相对较高的分数。
• 我假设更高级的超参数优化可以进一步提高性能；然而，时间限制阻碍了额外的探索。

3. DMD2 (4 步 UNet 生成)

• 我最终的选择之一。
• 通过利用模型卡中提供的演示代码，我以最小的努力取得了高分。
• 简单的参数调整 带来了大约 0.02 的提升。
• 进一步的微调可能会产生更好的结果。
• 表现出相当的稳定性。

4. SDXL Flash

• 也是我最终提交的作品之一。
• 使用演示代码在公共排行榜上取得了 0.67 的分数。
• 基本参数调整 允许进一步改进。
• 局限性: 不稳定——相同的配置通常在多次提交中产生显著不同的结果。

总结

在整个竞赛过程中，我尝试了多种模型和策略。虽然有些模型提供了易用性和稳健的基线性能，但其他模型则需要更仔细的调整才能达到最佳结果。稳定性和可复现性 成为重要的考虑因素，特别是在最终评估阶段。