Add ReNeg: An end-toend method designed to learn improved Negative embeddings (CVPR 2025 Highlight)

### **Model/Pipeline/Scheduler description**

[ReNeg] is a reward-guided approach that directly learns Negative embeddings through gradient descent. The negative embedding learned within the same text embedding space exhibits strong generalization capabilities.

For example, using the same CLIP text encoder, the negative embedding learned on SD1.5 can be seamlessly transferred to text-to-image or even text-to-video models such as ControlNet, ZeroScope, and VideoCrafter2, resulting in consistent performance improvements across the board.


### **Open Source Status**

- [x] The model implementation is available.
- [x] The model weights are available (Only relevant if addition is not a scheduler).

### **Provide useful links for the implementation**

Official implementation: https://github.com/AMD-AIG-AIMA/ReNeg

Die Nutzlast nennt keine Zieldateien oder Tests. Beginne damit, die offizielle ReNeg-Implementierung sowie deren Model-, Pipeline- und Scheduler-Einstiegspunkte zu lesen; abgeschlossen ist die Aufgabe, wenn die verfügbare ReNeg-Implementierung und die Gewichte in diffusers integriert sind und dabei die beschriebene Übertragung auf unterstützte Text-zu-Bild- und Text-zu-Video-Modelle erhalten bleibt.

Vom Indexierungsmodell aus dem Issue-Text verfasst.