Fugu-MT 論文翻訳(概要): Think Bright, Diffuse Nice: Enhancing T2I-ICL via Inductive-Bias Hint Instruction and Query Contrastive Decoding

論文の概要: Think Bright, Diffuse Nice: Enhancing T2I-ICL via Inductive-Bias Hint Instruction and Query Contrastive Decoding

arxiv url: http://arxiv.org/abs/2601.06169v1
Date: Wed, 07 Jan 2026 06:39:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:00.636262
Title: Think Bright, Diffuse Nice: Enhancing T2I-ICL via Inductive-Bias Hint Instruction and Query Contrastive Decoding
Title（参考訳）: Diffuse Nice: インダクティブバイアスヒント命令とクエリコントラストデコーディングによるT2I-ICLの強化
Abstract要約: Text-to-Image In-Context Learningは、インターリーブされたテキストイメージの例を通じて、カスタマイズされた画像合成を可能にする。既存の方法は、柔軟性を制限し、デプロイメントコストを増大させる、調整されたトレーニングに依存している。 2つの補完的な閉ループ機構を統合したトレーニングフリーフレームワークTBDNを提案する。
参考スコア（独自算出の注目度）: 10.961445998450008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Text-to-Image In-Context Learning (T2I-ICL) enables customized image synthesis via interleaved text-image examples but faces two mutually reinforcing bottlenecks, compliance failure and prior-dominated hallucination, that form a vicious cycle degrading generation quality. Existing methods rely on tailored training, which limits flexibility and raises deployment costs. To address these challenges effectively, we propose TBDN, a training-free framework integrating two complementary closed-loop mechanisms: Hint Instruction (HI) and Query Contrastive Decoding (QCD). HI injects task-aware inductive bias via lightweight prompt engineering to anchor models on contextual mapping rules, thereby mitigating compliance failure. QCD adjusts the decoding distributions of language models by contrasting full-input and query-omitted distributions, suppressing prior-dominated hallucination. TBDN achieves State-of-the-Art performance on CoBSAT and Text-to-Image Fast Mini-ImageNet, with robust generalization across model backbones, prompt designs, and hyperparameters. It also maintains promising performance in concept preservation and prompt following on Dreambench++. By breaking the two bottlenecks, TBDN establishes a simple yet effective framework for efficient and reliable T2I-ICL.
Abstract（参考訳）: テキスト・ツー・イメージ・インコンテキスト・ラーニング(T2I-ICL)は、インターリーブド・テキスト・イメージの例を通してカスタマイズされた画像合成を可能にするが、2つの相互強化ボトルネック、コンプライアンスの失敗と事前支配された幻覚に直面する。既存の方法は、柔軟性を制限し、デプロイメントコストを増大させる、調整されたトレーニングに依存している。これらの課題を効果的に解決するために,Hint Instruction (HI) とQuery Contrastive Decoding (QCD) という2つの補完的なクローズドループ機構を統合したトレーニングフリーフレームワークTBDNを提案する。 HIは、軽量なプロンプトエンジニアリングを通じてタスク認識誘導バイアスを注入し、コンテキストマッピングルールのモデルをアンカーし、コンプライアンスの失敗を軽減する。 QCDは、全入力分布とクエリ省略分布を対比することにより、言語モデルの復号分布を調整し、事前支配された幻覚を抑制する。 TBDNは、CoBSATおよびText-to-Image Fast Mini-ImageNet上での最先端性能を実現し、モデルバックボーン、プロンプトデザイン、ハイパーパラメーター間で堅牢な一般化を実現している。また、概念保存における有望なパフォーマンスを維持し、Dreambench++上でのプロンプトも行っている。 2つのボトルネックを突破することで、TBDNは効率的かつ信頼性の高いT2I-ICLのためのシンプルで効果的なフレームワークを確立する。

関連論文リスト

T2LDM++: A Self-Conditioned Representation Guided Diffusion Model for Realistic Text-to-LiDAR Scene Generation [63.89237657631886]
SCRG(Self-Conditioned Representation Guidance)は、オブジェクトのオーバー・スムーシングを軽減するために用いられる。幾何アノテーションの一般化戦略を用いて、2つの高品質テキスト-LiDARベンチマークを構築した。 T2LDM++は、無条件および条件設定でリッチな幾何学的詳細を持つ現実的なLiDARシーンを生成することができる。
論文参考訳（メタデータ） (2026-06-29T11:23:11Z)
LaME: Learning to Think in Latent Space for Multimodal Embedding via Information Bottleneck [28.83441191878705]
本稿では,埋め込み指向の潜伏推論を弱教師付き情報ボトルネックとして定式化するLaMEを提案する。 LaMEは、学習可能な理由トークンを固定容量ボトルネックとして使用し、すべての推論を単一の前方パスで完了させる。 MMEB-v2 と MRMR の実験では、LaME はいくつかのCoT ベースのモデルを上回る競争性能を達成している。
論文参考訳（メタデータ） (2026-06-11T08:47:25Z)
DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models [78.62380562116135]
テキスト・トゥ・イメージ(T2I)モデルのための完全に自動化された動的評価フレームワークであるDynT2I-Evalを提案する。長い形式の記述から構造化された視覚意味空間を構築し、プロンプトを制御可能な次元に分解する。 DynT2I-Evalは、テキストアライメント、知覚品質、美学のモデル性能を評価する。
論文参考訳（メタデータ） (2026-05-07T12:53:51Z)
Instruction-Evidence Contrastive Dual-Stream Decoding for Grounded Vision-Language Reasoning [3.944710336786154]
VLM(Vision-Language Models)は、命令の追従とオープンエンドの視覚言語推論において強力な性能を示す。彼らはしばしば、視覚的証拠に弱く根ざした流動的な出力を生成する。本稿では,世代間における言語的情報性と視覚的忠実性のバランスをとるためのデコードフレームワークを提案する。
論文参考訳（メタデータ） (2026-04-28T16:18:31Z)
MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding [32.0980373186604]
我々は、左から右への因果生成は、タスクの本質的な性質よりも直列化の成果物であると主張する。我々は,自己回帰的逐次復号を並列拡散復号化に置き換える,統一拡散に基づくフレームワークMinerU-Diffusionを提案する。実験により、MinerU-Diffusionは、自己回帰ベースラインに比べて最大3.2倍高速なデコードを実現しながら、一貫して堅牢性を改善することが示されている。
論文参考訳（メタデータ） (2026-03-23T18:25:17Z)
End-to-End Training for Unified Tokenization and Latent Denoising [82.91537591286554]
統一トークン化と潜伏拡散のためのオートエンコーダアーキテクチャUNITEを提案する。 UNITEは、画像トークン化器と重量共有による潜伏ジェネレータの両方として機能するジェネレータで構成されている。トークン化とスクラッチ生成の単一段階共同訓練が実現可能であることを示す。
論文参考訳（メタデータ） (2026-03-23T17:59:49Z)
Training-free Context-adaptive Attention for Efficient Long Context Modeling [57.703159205740185]
トレーニングフリーコンテキスト適応注意(TCA-Attention)は、学習不要なスパースアテンション機構であり、効率的な長文推論のための情報トークンのみに選択的に参画する。 TCA-Attentionは2.8$times$のスピードアップを実現し、128Kのコンテキスト長でKVキャッシュを61%削減し、フルアテンションに匹敵するパフォーマンスを維持している。
論文参考訳（メタデータ） (2025-12-10T01:54:57Z)
RISE: Enhancing VLM Image Annotation with Self-Supervised Reasoning [10.797460135169763]
Supervised Fine-Tuning (SFT) は、注釈の結果にのみ焦点を合わせ、基礎となる根拠を無視している。 Visual-RFT(Visual Reinforcement Fine-Tuning)は、事前トレーニング中に高品質で検証されたCoTが欠如していることから、不整合性思考鎖(CoT)を生成する。 RISE(Reason-Inspire-Strengthen-Expertise)は,これらの制限を克服するための2段階のフレームワークである。
論文参考訳（メタデータ） (2025-08-17T17:24:35Z)
LumiGen: An LVLM-Enhanced Iterative Framework for Fine-Grained Text-to-Image Generation [1.124958340749622]
視覚言語モデル (LVLM) は、モーダルな理解と指示の追従において強力な能力を示した。 LumiGenは、T2Iモデルの性能を高めるために設計された新しいLVLM拡張反復フレームワークである。 LumiGenは平均スコア3.08で、最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2025-08-05T20:53:43Z)
Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
論文参考訳（メタデータ） (2025-04-14T08:24:57Z)
Training-Free Layout-to-Image Generation with Marginal Attention Constraints [73.55660250459132]
トレーニング不要なレイアウト・トゥ・イメージ(L2I)アプローチを提案する。具体的には、テキスト・ビジュアル・クロスアテンション・フィーチャーマップを用いて、生成された画像のレイアウトと提供された命令の不整合を定量化する。自己アテンション特徴写像の画素間相関を利用して、交差アテンション写像を整列し、境界注意で制約された3つの損失関数を組み合わせ、潜時特徴を更新する。
論文参考訳（メタデータ） (2024-11-15T05:44:45Z)
Expediting and Elevating Large Language Model Reasoning via Hidden Chain-of-Thought Decoding [14.175444025026508]
大規模言語モデル(LLM)は、チェーン・オブ・シント(CoT)のプロンプトを必要とするタスクにおいて顕著な機能を示した。完全なCoTプロセスを生成すると、出力シーケンスが大幅に長くなり、推論時の計算コストと遅延が増大する。セマンティックアライメントによってCoTプロセスを圧縮し、CoT推論の利点を保ちながらより効率的な復号化を可能にする新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-13T06:29:20Z)
Not All Prompts Are Made Equal: Prompt-based Pruning of Text-to-Image Diffusion Models [59.16287352266203]
本稿では,テキスト・ツー・イメージ(T2I)モデルのための新しいプロンプトベースのプルーニング手法であるAdaptive Prompt-Tailored Pruning (APTP)を紹介する。 APTPは入力テキストプロンプトに必要な容量を決定することを学び、それをアーキテクチャコードにルーティングする。 APTPはFID、CLIP、CMMDスコアの点でシングルモデルプルーニングベースラインを上回っている。
論文参考訳（メタデータ） (2024-06-17T19:22:04Z)
DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文参考訳（メタデータ） (2023-08-29T07:11:52Z)
Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
論文参考訳（メタデータ） (2023-08-19T05:34:13Z)
Consistency-guided Prompt Learning for Vision-Language Models [23.4909421082857]
視覚言語モデルのための新しい微調整手法であるConsistency-Guided Prompt Learning (CoPrompt)を提案する。提案手法は,下流タスクを数ショットで微調整した場合に,大規模な基礎モデルの一般化を改善する。
論文参考訳（メタデータ） (2023-06-01T23:20:47Z)
TIME: Text and Image Mutual-Translation Adversarial Networks [55.1298552773457]
テキストと画像相互変換対応ネットワーク(TIME)を提案する。 TIMEは、T2IジェネレータGと画像キャプション識別器Dをジェネレータネットワークフレームワークで学習する。実験では、TIMEはCUBおよびMS-COCOデータセット上での最先端(SOTA)性能を達成する。
論文参考訳（メタデータ） (2020-05-27T06:40:12Z)

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。