論文の概要: Controllable Image Generation with Composed Parallel Token Prediction

• arxiv url: http://arxiv.org/abs/2604.05730v1
• Date: Tue, 07 Apr 2026 11:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.786279
• Title: Controllable Image Generation with Composed Parallel Token Prediction
• Title（参考訳）: 並列トケ予測合成による制御可能な画像生成
• Authors: Jamie Stirling, Noura Al-Moubayed, Chris G. Willcocks, Hubert P. H. Shum,
• Abstract要約: 条件付き離散生成モデルは、複数の入力条件を忠実に構成するのに苦労する。 離散確率的生成過程を構成するための理論的な基礎的な定式化を導出する。 提案手法は,2.3times$から12times$のリアルタイム・スピードアップを提供する。
• 参考スコア（独自算出の注目度）: 26.82273247382564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional discrete generative models struggle to faithfully compose multiple input conditions. To address this, we derive a theoretically-grounded formulation for composing discrete probabilistic generative processes, with masked generation (absorbing diffusion) as a special case. Our formulation enables precise specification of novel combinations and numbers of input conditions that lie outside the training data, with concept weighting enabling emphasis or negation of individual conditions. In synergy with the richly compositional learned vocabulary of VQ-VAE and VQ-GAN, our method attains a $63.4\%$ relative reduction in error rate compared to the previous state-of-the-art, averaged across 3 datasets (positional CLEVR, relational CLEVR and FFHQ), simultaneously obtaining an average absolute FID improvement of $-9.58$. Meanwhile, our method offers a $2.3\times$ to $12\times$ real-time speed-up over comparable methods, and is readily applied to an open pre-trained discrete text-to-image model for fine-grained control of text-to-image generation.
• Abstract（参考訳）: 条件付き離散生成モデルは、複数の入力条件を忠実に構成するのに苦労する。 これを解決するために、離散確率的生成過程を構成する理論的な基底式を導出し、特別な場合としてマスク生成(吸収拡散)を行う。 我々の定式化は、個々の条件の強調や否定を可能にする概念重み付けにより、トレーニングデータの外にある新しい組み合わせと入力条件の数を正確に特定することを可能にする。 VQ-VAE と VQ-GAN のリッチな合成学習語彙と相乗効果として,従来の3つのデータセット(位置CLEVR,リレーショナルCLEVR,FFHQ)の平均値と比較すると,エラー率の相対的な低下が63.4 %であり,同時に平均絶対的な FID の改善が 9.58 ドルである。 一方,本手法では,2.3\times$から12\times$のリアルタイム・スピードアップを実現しており,テキスト・ツー・イメージ生成のきめ細かい制御を行うために,学習済みの離散テキスト・ツー・イメージ・モデルに容易に適用することができる。

関連論文リスト

• Score Distillation of Flow Matching Models [67.86066177182046]
  我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。 これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:45:48Z)
• Cost-Aware Routing for Efficient Text-To-Image Generation [19.848723289971208]
  本稿では,その複雑さに応じて,各プロンプト毎に計算量を変動させるフレームワークを提案する。 私たちは、COCOとDiffusionDBで、すでに訓練された9つのテキスト・ツー・イメージモデルへのルートを学ぶことで、これらのモデルだけで達成可能な平均品質を提供することができることを実証的に示しています。
  論文  参考訳（メタデータ） (2025-06-17T17:48:50Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Schr\"odinger bridge based deep conditional generative learning [0.0]
  我々は条件分布を学習するための新しいSchr"odinger Bridgeに基づく深層生成手法を提案する。 本手法を低次元および高次元条件生成問題に適用する。
  論文  参考訳（メタデータ） (2024-09-25T19:08:13Z)
• Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
  アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。 データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
  論文  参考訳（メタデータ） (2024-07-26T10:49:14Z)
• Controllable Image Generation With Composed Parallel Token Prediction [5.107886283951882]
  合成画像生成は、2つ以上の入力概念が必ずしも訓練中に一緒に現れない状況においてモデルをうまく一般化する必要がある。 本稿では、潜在空間の離散生成モデルの対数確率出力を構成することにより、画像の制御可能な条件生成のための定式化を提案する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:35Z)
• AdaDiff: Adaptive Step Selection for Fast Diffusion Models [82.78899138400435]
  我々は、インスタンス固有のステップ利用ポリシーを学ぶために設計された軽量フレームワークであるAdaDiffを紹介します。 AdaDiffはポリシーメソッドを使用して最適化され、慎重に設計された報酬関数を最大化する。 我々は3つの画像生成と2つのビデオ生成ベンチマークの実験を行い、本手法がベースラインと同じような視覚的品質を実現することを示す。
  論文  参考訳（メタデータ） (2023-11-24T11:20:38Z)

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。