論文の概要: Interpretable Diffusion Models with B-cos Networks

• arxiv url: http://arxiv.org/abs/2507.03846v1
• Date: Sat, 05 Jul 2025 00:35:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.901519
• Title: Interpretable Diffusion Models with B-cos Networks
• Title（参考訳）: Bコスネットワークを用いた解釈可能な拡散モデル
• Authors: Nicola Bernold, Moritz Vandenhirtz, Alice Bizeul, Julia E. Vogt,
• Abstract要約: 本稿では,B-cosモジュールを用いた拡散モデルアーキテクチャを提案する。 我々は,B-cos拡散モデルが高画質画像を生成できることを示すとともに,画像のアライメントに関する有意義な洞察を提供する。
• 参考スコア（独自算出の注目度）: 9.291545582753772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image diffusion models generate images by iteratively denoising random noise, conditioned on a prompt. While these models have enabled impressive progress in image generation, they often fail to accurately reflect all semantic information described in the prompt -- failures that are difficult to detect automatically. In this work, we introduce a diffusion model architecture built with B-cos modules that offers inherent interpretability. Our approach provides insight into how individual prompt tokens affect the generated image by producing explanations that highlight the pixel regions influenced by each token. We demonstrate that B-cos diffusion models can produce high-quality images while providing meaningful insights into prompt-image alignment.
• Abstract（参考訳）: テキスト・ツー・イメージ拡散モデルでは、プロンプトに条件付けされたランダムノイズを反復的に denoising することで画像を生成する。 これらのモデルでは画像生成の目覚ましい進歩を実現しているが、プロンプトで記述されたすべての意味情報を正確に反映することができないことが多い。 本研究では,B-cosモジュールを用いた拡散モデルアーキテクチャを導入する。 提案手法は,個々のプロンプトトークンが生成した画像にどのように影響するかを,各トークンに影響された画素領域をハイライトする説明を生成する。 我々は,B-cos拡散モデルが高画質画像を生成できることを示すとともに,画像のアライメントに関する有意義な洞察を提供する。

関連論文リスト

• ASAP: Interpretable Analysis and Summarization of AI-generated Image Patterns at Scale [20.12991230544801]
  生成画像モデルは、現実的な画像を生成するための有望な技術として登場してきた。 ユーザーがAI生成画像のパターンを効果的に識別し理解できるようにするための需要が高まっている。 我々はAI生成画像の異なるパターンを自動的に抽出する対話型可視化システムASAPを開発した。
  論文  参考訳（メタデータ） (2024-04-03T18:20:41Z)
• Diffusion Noise Feature: Accurate and Fast Generated Image Detection [28.262273539251172]
  生成モデルは、驚くほどリアルなイメージを生成できる先進的な段階に達している。 生成された画像に対する既存の画像検出器は、低精度や限定的な一般化といった課題に直面している。 本稿では,生成画像の検出能力を高めるために,強力な一般化機能を備えた表現を求めることにより,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-05T10:01:11Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• MaskDiffusion: Boosting Text-to-Image Consistency with Conditional Mask [84.84034179136458]
  テキスト・イメージのミスマッチ問題に繋がる重要な要因は、モダリティ間の関係学習の不十分さである。 本稿では,注目マップと迅速な埋め込みを条件とした適応マスクを提案し,画像特徴に対する各テキストトークンの寄与度を動的に調整する。 この手法はMaskDiffusionと呼ばれ、トレーニング不要で、一般的な事前学習拡散モデルに対してホットプラグ可能である。
  論文  参考訳（メタデータ） (2023-09-08T15:53:37Z)
• Diffusion Models as Masked Autoencoders [52.442717717898056]
  拡散モデルに対する近年の関心を踏まえて、生成的に事前学習された視覚表現を再考する。 拡散モデルによる直接事前学習では強い表現は得られないが、マスク付き入力上での拡散モデルと公式拡散モデルをマスク付きオートエンコーダ(DiffMAE)として条件付ける。 設計選択の長所と短所について包括的な研究を行い、拡散モデルとマスク付きオートエンコーダ間の接続を構築する。
  論文  参考訳（メタデータ） (2023-04-06T17:59:56Z)
• Attend-and-Excite: Attention-Based Semantic Guidance for Text-to-Image Diffusion Models [103.61066310897928]
  最近のテキスト・ツー・イメージ生成モデルは、ターゲットのテキスト・プロンプトによって導かれる多様な創造的な画像を生成する非例外的な能力を実証している。 革命的ではあるが、現在の最先端拡散モデルは、与えられたテキストプロンプトのセマンティクスを完全に伝達するイメージの生成に失敗する可能性がある。 本研究では, 一般に公開されている安定拡散モデルを分析し, 破滅的無視の有無を評価し, そのモデルが入力プロンプトから1つ以上の被写体を生成するのに失敗した場合について検討する。 提案するジェネレーティブ・セマンティック・ナーシング(GSN)の概念は、推論時間中にハエの生殖過程に介入し、忠実性を改善するものである。
  論文  参考訳（メタデータ） (2023-01-31T18:10:38Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。