論文の概要: Creo: From One-Shot Image Generation to Progressive, Co-Creative Ideation
- arxiv url: http://arxiv.org/abs/2604.13956v1
- Date: Wed, 15 Apr 2026 15:06:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.597645
- Title: Creo: From One-Shot Image Generation to Progressive, Co-Creative Ideation
- Title（参考訳）: Creo:ワンショット画像生成からプログレッシブでコクレーティブなアイデアへ
- Abstract要約: テキスト・ツー・イメージ(T2I)システムは,高忠実度画像の高速生成を可能にするが,視覚的アイデアの発達と一致しない。
Creoは多段階のT2Iシステムで、粗いスケッチから高解像度の出力へと進歩して画像生成を足場化する。
Creoの各ステージは手動の変更とAI支援操作で変更可能で、きめ細かいステップワイズコントロールが可能だ。
- 参考スコア（独自算出の注目度）: 11.086270032142918
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Text-to-image (T2I) systems enable rapid generation of high-fidelity imagery but are misaligned with how visual ideas develop. T2I systems generate outputs that make implicit visual decisions on behalf of the user, often introduce fine-grained details that can anchor users prematurely and limit their ability to keep options open early on, and cause unintended changes during editing that are difficult to correct and reduce users' sense of control. To address these concerns, we present Creo, a multi-stage T2I system that scaffolds image generation by progressing from rough sketches to high-resolution outputs, exposing intermediary abstractions where users can make incremental changes. Sketch-like abstractions invite user editing and allow users to keep design options open when ideas are still forming due to their provisional nature. Each stage in Creo can be modified with manual changes and AI-assisted operations, enabling fine-grained, step-wise control through a locking mechanism that preserves prior decisions so subsequent edits affect only specified regions or attributes. Users remain in the loop, making and verifying decisions across stages, while the system applies diffs instead of regenerating full images, reducing drift as fidelity increases. A comparative study with a one-shot baseline shows that participants felt stronger ownership over Creo outputs, as they were able to trace their decisions in building up the image. Furthermore, embedding-based analysis indicates that Creo outputs are less homogeneous than one-shot results. These findings suggest that multi-stage generation, combined with intermediate control and decision locking, is a key design principle for improving controllability, user agency, creativity, and output diversity in generative systems.
- Abstract（参考訳）: テキスト・ツー・イメージ(T2I)システムは,高忠実度画像の高速生成を可能にするが,視覚的アイデアの発達の仕方と一致しない。
T2Iシステムは、ユーザに代わって暗黙的な視覚的決定を行う出力を生成し、しばしば、ユーザーを早期にアンカーし、オプションを早期にオープンに保つ能力を制限し、ユーザのコントロール感覚の修正や低下が困難な編集中に意図しない変更を引き起こす、きめ細かい詳細を導入する。
これらの問題に対処するため,大まかなスケッチから高精細な出力へと進むことで画像生成を足場とするマルチステージT2IシステムであるCreoを提案する。
スケッチのような抽象化は、ユーザの編集を招待し、アイデアが暫定的な性質のためにまだ形成されている場合、デザインオプションをオープンに保つ。
Creoの各ステージは手動の変更やAI支援操作で変更可能で、ロック機構を通じて詳細なステップワイズ制御が可能で、事前決定を保存して、後続の編集が指定されたリージョンや属性にのみ影響する。
システムはフルイメージを再生する代わりに差分を適用し、忠実度が増加するにつれてドリフトを減少させる。
ワンショットベースラインによる比較研究によると、参加者はイメージ構築の決断を辿ることができたため、クリオアウトプットよりも強い所有権を感じていた。
さらに, 埋め込み解析により, Creo の出力は単発結果よりも均質でないことが示された。
これらの結果から, 制御性, ユーザエージェンシー, 創造性, 出力多様性を向上させるための鍵となる設計原理として, 中間制御と決定ロックが組み合わさった多段階生成が重要であることが示唆された。
関連論文リスト
- AnchorEdit: Maintaining Temporal Consistency in Multi-turn Image Editing via Causal Memory [58.322260363577016]
マルチターン画像編集は反復的な設計には不可欠であるが、現在のモデルは連続するステップでアイデンティティのドリフトやエラーの蓄積に悩まされることが多い。
AnchorEditは,高解像度・長期マルチターン編集に特化して設計された,最初の自己回帰(AR)拡散ベースのフレームワークである。
論文 参考訳（メタデータ） (2026-06-10T07:26:31Z) - CPC-VAR:Continual Personalized and Compositional Generation in Visual Autoregressive Models [69.9266117908314]
VAR(Visual Autoregressive)モデルは、テキスト・ツー・イメージ生成の効率的なパラダイムとして登場した。
既存のVARベースのパーソナライズ方法は、進化するユーザ要求に対応できない。
VARモデルにおける連続的パーソナライズ生成に関する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2026-05-19T12:18:15Z) - Self-Corrected Image Generation with Explainable Latent Rewards [55.29175717238288]
我々は、説明可能なLatent RewarDを通じて生成をガイドする自己修正フレームワークであるxLARDを提案する。
xLARDは、モデル生成参照からの構造化されたフィードバックに基づいて遅延表現を洗練する軽量な修正器を導入している。
実験により、xLARDは、生成前の状態を維持しながら、意味的アライメントと視覚的忠実性を改善することが示された。
論文 参考訳（メタデータ） (2026-03-26T02:59:35Z) - ImageEdit-R1: Boosting Multi-Agent Image Editing via Reinforcement Learning [20.61925053714293]
画像編集システムは複雑な、間接的な、多段階のユーザー命令に悩まされることが多い。
本稿では,画像編集のためのマルチエージェントフレームワークであるImageEdit-R1を提案する。
本手法は,画像編集を逐次意思決定問題として扱い,動的かつコンテキスト対応な編集戦略を実現する。
論文 参考訳（メタデータ） (2026-03-09T07:50:14Z) - Diversity over Uniformity: Rethinking Representation in Generated Image Detection [22.020742109848317]
我々は、確実に生成された画像検出は、単一の決定経路に依存するのではなく、複数の判断視点を維持するべきであると論じている。
本稿では,タスク非関係なコンポーネントをフィルタし,表現空間における様々なフォージェリーキュー間の過剰なオーバーラップを抑えるアンチファイン・コラプス学習フレームワークを提案する。
この設計は、モデル内で多様な補完的な証拠を維持し、小さな敬意的な手がかりへの依存を減らし、目に見えない生成条件下で堅牢性を高める。
論文 参考訳（メタデータ） (2026-02-28T15:42:12Z) - Single-Reference Text-to-Image Manipulation with Dual Contrastive Denoising Score [4.8677910801584385]
大規模テキスト・画像生成モデルは、多彩で高品質な画像を合成する顕著な能力を示している。
本稿では,テキスト・ツー・イメージ拡散モデルのリッチな生成モデルを活用するフレームワークであるDual Contrastive Denoising Scoreを提案する。
本手法は,入力画像と出力画像間のフレキシブルなコンテンツ修正と構造保存,およびゼロショット画像から画像への変換を実現する。
論文 参考訳（メタデータ） (2025-08-18T08:30:07Z) - Training-Free Text-Guided Image Editing with Visual Autoregressive Model [46.201510044410995]
本稿では,Visual AutoRegressive モデリングに基づく新しいテキスト誘導画像編集フレームワークを提案する。
本手法は, 正確かつ制御された修正を確実にしながら, 明示的な逆変換の必要性を解消する。
我々のフレームワークは、トレーニング不要な方法で動作し、高速な推論速度で高忠実度編集を実現する。
論文 参考訳（メタデータ） (2025-03-31T09:46:56Z) - Lost in Edits? A $λ$-Compass for AIGC Provenance [119.95562081325552]
本稿では,実測出力と操作された出力を頑健に識別し,識別する新しい潜在空間属性法を提案する。
LambdaTracerは、InstructPix2Pixのようなテキスト誘導編集ツールによって自動化されるか、Adobe Photoshopのような編集ソフトウェアで手動で実行されるか、様々な反復編集プロセスで有効である。
論文 参考訳（メタデータ） (2025-02-05T06:24:25Z) - VersaGen: Unleashing Versatile Visual Control for Text-to-Image Synthesis [59.12590059101254]
本稿では,テキスト・トゥ・イメージ(T2I)合成における多目的視覚制御を可能にする生成AIエージェントVersaGenを提案する。
我々は,凍結したT2Iモデルに適応器を訓練し,テキスト支配拡散プロセスに視覚情報を適応させる。
論文 参考訳（メタデータ） (2024-12-16T09:32:23Z) - MagicTailor: Component-Controllable Personalization in Text-to-Image Diffusion Models [51.1034358143232]
概念内の個々のコンポーネントをカスタマイズし、再構成する新しいタスクである、コンポーネント制御可能なパーソナライゼーションを導入する。
この課題は、望ましくない要素が対象概念を阻害する意味汚染と、対象概念と構成要素を不均等に学習する意味不均衡という2つの課題に直面する。
動的マスケド・デグラデーション(Dynamic Masked Degradation, 動的マスケド・デグラデーション, 動的マスケド・デグラデーション)を用いて、望まない視覚的セマンティクスを適応的に摂動し、望まれる視覚的セマンティクスをよりバランスよく学習するために、デュアルストリーム・バランシング(Dual-Stream Balancing)を設計する。
論文 参考訳（メタデータ） (2024-10-17T09:22:53Z) - 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)
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。