論文の概要: DiffGraph: An Automated Agent-driven Model Merging Framework for In-the-Wild Text-to-Image Generation
- arxiv url: http://arxiv.org/abs/2603.20470v1
- Date: Fri, 20 Mar 2026 19:54:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:38.931352
- Title: DiffGraph: An Automated Agent-driven Model Merging Framework for In-the-Wild Text-to-Image Generation
- Title（参考訳）: DiffGraph: テキストと画像の自動生成のためのエージェント駆動モデルマージフレームワーク
- Authors: Zhuoling Li, Hossein Rahmani, Jiarui Zhang, Yu Xue, Majid Mirmehdi, Jason Kuen, Jiuxiang Gu, Jun Liu,
- Abstract要約: 本稿では,新しいエージェント駆動グラフベースモデルマージフレームワークであるDiffGraphを紹介する。
本手法は,オンライン専門家に活用し,多様なユーザニーズに対して柔軟にマージする。
- 参考スコア（独自算出の注目度）: 44.655798599905246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of the text-to-image (T2I) community has fostered a thriving online ecosystem of expert models, which are variants of pretrained diffusion models specialized for diverse generative abilities. Yet, existing model merging methods remain limited in fully leveraging abundant online expert resources and still struggle to meet diverse in-the-wild user needs. We present DiffGraph, a novel agent-driven graph-based model merging framework, which automatically harnesses online experts and flexibly merges them for diverse user needs. Our DiffGraph constructs a scalable graph and organizes ever-expanding online experts within it through node registration and calibration. Then, DiffGraph dynamically activates specific subgraphs based on user needs, enabling flexible combinations of different experts to achieve user-desired generation. Extensive experiments show the efficacy of our method.
- Abstract（参考訳）: テキスト・ツー・イメージ(T2I)コミュニティの急速な成長は、多様な生成能力に特化した事前訓練された拡散モデルの変種である専門家モデルのオンラインエコシステムを繁栄させてきた。
しかし、既存のモデルマージ手法は、豊富なオンライン専門家のリソースを十分に活用するには限定的であり、いまだに様々なユーザーニーズを満たすのに苦慮している。
DiffGraphは、エージェント駆動グラフベースの新しいモデルマージフレームワークで、オンラインの専門家を自動で活用し、多様なユーザニーズに対して柔軟にマージする。
我々のDiffGraphはスケーラブルなグラフを構築し、ノードの登録とキャリブレーションを通じて、その内部に広がるオンライン専門家を整理します。
次に、DiffGraphは、ユーザニーズに基づいて特定のサブグラフを動的に活性化し、異なる専門家の柔軟な組み合わせにより、ユーザ要求生成を実現する。
大規模な実験により,本手法の有効性が示された。
関連論文リスト
- ExpertGen: Training-Free Expert Guidance for Controllable Text-to-Face Generation [49.294779074232686]
ExpertGenはトレーニング不要のフレームワークで、トレーニング済みのエキスパートモデルを活用して、細かいコントロールで生成をガイドする。
我々は、専門家モデルが高い精度で生成過程を導出できることを定性的かつ定量的に示す。
論文 参考訳（メタデータ） (2025-05-22T20:09:21Z) - GraphFM: A Scalable Framework for Multi-Graph Pretraining [2.882104808886318]
本稿では,さまざまな領域のグラフデータセットにまたがるノード分類タスクに適した,スケーラブルなマルチグラフ・マルチタスク事前学習手法を提案する。
我々は,740万以上のノードと1億1900万のエッジからなる152のグラフデータセットのモデルをトレーニングすることで,このアプローチの有効性を実証する。
以上の結果から,多種多様な実・合成グラフの事前学習により適応性と安定性が向上し,最先端のスペシャリストモデルと競合する結果が得られた。
論文 参考訳（メタデータ） (2024-07-16T16:51:43Z) - Advancing Graph Generation through Beta Diffusion [49.49740940068255]
Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。
本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T17:42:57Z) - FedSheafHN: Personalized Federated Learning on Graph-structured Data [22.825083541211168]
我々はFedSheafHNと呼ばれるモデルを提案し、各クライアントのローカルサブグラフをサーバ構築コラボレーショングラフに埋め込む。
我々のモデルは複雑なクライアント特性の統合と解釈を改善します。
また、高速なモデル収束と効果的な新しいクライアントの一般化も備えている。
論文 参考訳（メタデータ） (2024-05-25T04:51:41Z) - GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。
本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-02T02:28:20Z) - GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts [75.51612253852002]
GraphMETROは、自然多様性をモデル化し、複雑な分散シフトをキャプチャするグラフニューラルネットワークアーキテクチャである。
GraphMETROはGOODベンチマークから4つのデータセットに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2023-12-07T20:56:07Z) - GSHOT: Few-shot Generative Modeling of Labeled Graphs [44.94210194611249]
少数ショットグラフ生成モデリングの未探索パラダイムについて紹介する。
グラフ生成モデリングのためのフレームワークであるGSHOTを開発した。
GSHOTは、セルフペースの微調整を通じて、目に見えないグラフデータセットに適応する。
論文 参考訳（メタデータ） (2023-06-06T08:03:18Z)
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。