論文の概要: MultiBind: A Benchmark for Attribute Misbinding in Multi-Subject Generation
- arxiv url: http://arxiv.org/abs/2603.21937v1
- Date: Mon, 23 Mar 2026 12:54:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.678919
- Title: MultiBind: A Benchmark for Attribute Misbinding in Multi-Subject Generation
- Title（参考訳）: MultiBind:マルチオブジェクト生成における属性ミスバインディングのベンチマーク
- Authors: Wenqing Tian, Hanyi Mao, Zhaocheng Liu, Lihua Zhang, Qiang Liu, Jian Wu, Liang Wang,
- Abstract要約: 実写写真から構築したベンチマークであるMultiBindを紹介する。
この結果から,MultiBindは従来のリコンストラクション指標が欠落する結合障害を明らかにした。
- 参考スコア（独自算出の注目度）: 30.628326435554182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subject-driven image generation is increasingly expected to support fine-grained control over multiple entities within a single image. In multi-reference workflows, users may provide several subject images, a background reference, and long, entity-indexed prompts to control multiple people within one scene. In this setting, a key failure mode is cross-subject attribute misbinding: attributes are preserved, edited, or transferred to the wrong subject. Existing benchmarks and metrics largely emphasize holistic fidelity or per-subject self-similarity, making such failures hard to diagnose. We introduce MultiBind, a benchmark built from real multi-person photographs. Each instance provides slot-ordered subject crops with masks and bounding boxes, canonicalized subject references, an inpainted background reference, and a dense entity-indexed prompt derived from structured annotations. We also propose a dimension-wise confusion evaluation protocol that matches generated subjects to ground-truth slots and measures slot-to-slot similarity using specialists for face identity, appearance, pose, and expression. By subtracting the corresponding ground-truth similarity matrices, our method separates self-degradation from true cross-subject interference and exposes interpretable failure patterns such as drift, swap, dominance, and blending. Experiments on modern multi-reference generators show that MultiBind reveals binding failures that conventional reconstruction metrics miss.
- Abstract（参考訳）: 被写体駆動画像生成は、単一の画像内の複数のエンティティのきめ細かい制御をサポートすることがますます期待されている。
マルチ参照ワークフローでは、ユーザーは複数の主題画像、背景参照、長いエンティティインデクシングプロンプトを提供して、1つのシーン内で複数の人を制御することができる。
この設定では、キー障害モードはクロスオブジェクト属性のミスバインドである:属性は保存されるか、編集されるか、間違った主題に転送される。
既存のベンチマークとメトリクスは、全体的忠実性やオブジェクトごとの自己相似性を重視しており、そのような障害の診断が困難である。
実写写真から構築したベンチマークであるMultiBindを紹介する。
各インスタンスは、マスクとバウンディングボックス、標準化された主題参照、塗装された背景参照、構造化アノテーションから派生した密集したエンティティインデクシングプロンプトを備えたスロット順序の主題作物を提供する。
また,生成した被写体を接地トラススロットと照合し,顔の同一性,外観,ポーズ,表情のスペシャリストを用いてスロット・ツー・スロットの類似度を測定する次元的混乱評価プロトコルを提案する。
本手法は, 実物体間干渉から自己劣化を分離し, ドリフト, スワップ, 支配, ブレンディングなどの解釈可能な故障パターンを露呈する。
現代のマルチ参照ジェネレータの実験では、MultiBindは従来の再構成メトリクスが見逃す結合障害を明らかにしている。
関連論文リスト
- Towards Generalized Multi-Image Editing for Unified Multimodal Models [56.620038824933566]
統一マルチモーダルモデル(UMM)は、マルチモーダル理解と生成を統合する。
UMMは、複数の入力画像にまたがる詳細を参照する場合、視覚的一貫性の維持と視覚的手がかりの曖昧さに制限される。
画像の同一性を明確に識別し、可変入力数に一般化するUMMのためのスケーラブルなマルチイメージ編集フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-09T06:42:49Z) - Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。
パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
論文 参考訳（メタデータ） (2025-12-08T05:04:54Z) - MultiBanana: A Challenging Benchmark for Multi-Reference Text-to-Image Generation [38.21587139161503]
$textbfMultiBanana$は、大規模なマルチ参照固有の問題を広くカバーすることによって、モデル機能のエッジを評価するように設計されている。
分析の結果、優れたパフォーマンス、典型的な障害モード、改善すべき領域が明らかになりました。
MultiBananaはオープンなベンチマークとしてリリースされ、バウンダリをプッシュし、マルチ参照画像生成における公正な比較のための標準化された基盤を確立する。
論文 参考訳（メタデータ） (2025-11-28T08:49:55Z) - Canvas-to-Image: Compositional Image Generation with Multimodal Controls [51.44122945214702]
Canvas-to-Imageは、異種制御を単一のキャンバスインターフェースに統合する統合フレームワークである。
私たちのキーとなるアイデアは、多様な制御信号を単一の合成キャンバス画像にエンコードすることで、モデルが統合された視覚空間的推論を解釈できるようにすることです。
論文 参考訳（メタデータ） (2025-11-26T18:59:56Z) - WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。
マルチパーソンシナリオに適した大規模ペアデータセットを開発する。
本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2025-10-16T17:59:54Z) - MOSAIC: Multi-Subject Personalized Generation via Correspondence-Aware Alignment and Disentanglement [13.100620283631557]
マルチオブジェクト生成を再考する表現中心のフレームワークであるMOSAICを提案する。
我々の重要な洞察は、マルチオブジェクト生成は表現レベルで正確にセマンティックアライメントを必要とすることである。
本稿では,意味対応型アライメントの精度を高めるために,意味対応型アライメントアライメントの損失を提案する。
論文 参考訳（メタデータ） (2025-09-02T05:40:07Z) - Be Yourself: Bounded Attention for Multi-Subject Text-to-Image Generation [60.943159830780154]
本稿では,サンプリングプロセスにおける情報フローをバウンドする訓練不要な手法である境界注意法を紹介する。
提案手法は,与えられたプロンプトとレイアウトの整合性を向上する複数の主題の生成に有効であることを示す。
論文 参考訳（メタデータ） (2024-03-25T17:52:07Z) - RetriBooru: Leakage-Free Retrieval of Conditions from Reference Images for Subject-Driven Generation [30.143033020296183]
拡散に基づく手法は、様々な高品質な画像を生成する能力を実証している。
顔と布の同一性の両方でアニメキャラクターをグループ化するマルチレベル同一性データセットRetriBooruを提案する。
条件付きエンコーダは複数の参照画像から異なる概念を検索する。
論文 参考訳（メタデータ） (2023-12-05T06:04:16Z) - SMILE: Semantically-guided Multi-attribute Image and Layout Editing [154.69452301122175]
GAN(Generative Adversarial Networks)の導入以来、属性画像操作は非常に活発な話題となっている。
対象領域の下位領域情報のみを使用しながら、ランダムノイズや画像によって誘導される全ての属性を処理するマルチモーダル表現を提案する。
本手法では,イメージを参照として,あるいはスタイル分布空間を探索することにより,細粒度や粗粒度などの属性の追加,削除,変更を行うことができる。
論文 参考訳（メタデータ） (2020-10-05T20:15:21Z)
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。