論文の概要: Text Slider: Efficient and Plug-and-Play Continuous Concept Control for Image/Video Synthesis via LoRA Adapters

• arxiv url: http://arxiv.org/abs/2509.18831v1
• Date: Tue, 23 Sep 2025 09:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.793987
• Title: Text Slider: Efficient and Plug-and-Play Continuous Concept Control for Image/Video Synthesis via LoRA Adapters
• Title（参考訳）: テキストスライダ:LoRAアダプタによる画像・ビデオ合成のための効率的かつプラグイン・アンド・プレイ連続概念制御
• Authors: Pin-Yen Chiu, I-Sheng Fang, Jun-Cheng Chen,
• Abstract要約: Text Sliderは、視覚概念を継続的に制御するための軽量で効率的でプラグアンドプレイのフレームワークである。 事前訓練されたテキストエンコーダ内の低ランク方向を識別し、視覚概念の連続的な制御を可能にする。 マルチコンセプト合成と連続制御をサポートし、画像合成とビデオ合成の両方において微細で柔軟な操作を可能にする。
• 参考スコア（独自算出の注目度）: 13.392855357208811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in diffusion models have significantly improved image and video synthesis. In addition, several concept control methods have been proposed to enable fine-grained, continuous, and flexible control over free-form text prompts. However, these methods not only require intensive training time and GPU memory usage to learn the sliders or embeddings but also need to be retrained for different diffusion backbones, limiting their scalability and adaptability. To address these limitations, we introduce Text Slider, a lightweight, efficient and plug-and-play framework that identifies low-rank directions within a pre-trained text encoder, enabling continuous control of visual concepts while significantly reducing training time, GPU memory consumption, and the number of trainable parameters. Furthermore, Text Slider supports multi-concept composition and continuous control, enabling fine-grained and flexible manipulation in both image and video synthesis. We show that Text Slider enables smooth and continuous modulation of specific attributes while preserving the original spatial layout and structure of the input. Text Slider achieves significantly better efficiency: 5$\times$ faster training than Concept Slider and 47$\times$ faster than Attribute Control, while reducing GPU memory usage by nearly 2$\times$ and 4$\times$, respectively.
• Abstract（参考訳）: 拡散モデルの最近の進歩は、画像合成とビデオ合成を大幅に改善した。 さらに、自由形式のテキストプロンプトの微粒化、連続化、フレキシブルな制御を可能にするために、いくつかの概念制御法が提案されている。 しかしながら、これらのメソッドはスライダーや埋め込みを学ぶために、集中的なトレーニング時間とGPUメモリの使用を必要とするだけでなく、異なる拡散バックボーンのために再トレーニングし、スケーラビリティと適応性を制限する必要がある。 この制限に対処するために,テキストスライダを導入する。テキストエンコーダ内の低ランク方向を識別し,トレーニング時間,GPUメモリ使用量,トレーニング可能なパラメータ数を大幅に削減しつつ,視覚概念の連続的な制御を可能にする。 さらに、Text Sliderはマルチコンセプト合成と連続制御をサポートし、画像合成とビデオ合成の両方において微細で柔軟な操作を可能にする。 テキストスライダは,入力の空間的レイアウトと構造を保ちながら,特定の属性のスムーズかつ連続的な調整を可能にすることを示す。 テキストスライダは、Concept Sliderより5$\times$速く、Attribute Controlより47$\times$速く、GPUメモリ使用量をそれぞれ2$\times$と4$\times$に削減します。

関連論文リスト

• STORM: Token-Efficient Long Video Understanding for Multimodal LLMs [116.4479155699528]
  STORMは、イメージエンコーダとビデオLLMの間に専用のテンポラリエンコーダを組み込んだ、新しいアーキテクチャである。 我々は,STORMが様々な長いビデオ理解ベンチマークにおいて最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-06T06:17:38Z)
• Concept Sliders: LoRA Adaptors for Precise Control in Diffusion Models [52.894213114914805]
  拡散モデルから画像生成における属性を正確に制御できる解釈可能な概念スライダを作成する手法を提案する。 スライダは、プロンプトやサンプル画像の小さなセットを使用して作成される。 本手法は、物体の変形の修復や変形した手の固定など、安定XL拡散における持続的品質問題に対処するのに役立つ。
  論文  参考訳（メタデータ） (2023-11-20T18:59:01Z)
• ControlVideo: Training-free Controllable Text-to-Video Generation [117.06302461557044]
  ControlVideoは、自然で効率的なテキスト・ビデオ生成を可能にするフレームワークである。 NVIDIA 2080Tiを使って、ショートビデオとロングビデオの両方を数分で生成する。
  論文  参考訳（メタデータ） (2023-05-22T14:48:53Z)

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。