論文の概要: Hallucination Early Detection in Diffusion Models

• arxiv url: http://arxiv.org/abs/2604.20354v1
• Date: Wed, 22 Apr 2026 08:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.052067
• Title: Hallucination Early Detection in Diffusion Models
• Title（参考訳）: 拡散モデルにおける幻覚早期検出
• Authors: Federico Betti, Lorenzo Baraldi, Lorenzo Baraldi, Rita Cucchiara, Nicu Sebe,
• Abstract要約: 拡散過程の早い段階で不正確な世代を特定するために設計された新しいアプローチであるHEaD+(Hallucination Early Detection +)を紹介する。 HEaD+は新たに作成された45,000の生成されたイメージのInsideGenデータセットでトレーニングされており、それぞれに最大7つのオブジェクトを含むプロンプトが含まれている。 その結果,既存モデルとHEaD+を適用した場合,4つのオブジェクトで完全生成を達成できる確率は6～8%増加した。
• 参考スコア（独自算出の注目度）: 84.67602765567086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-Image generation has seen significant advancements in output realism with the advent of diffusion models. However, diffusion models encounter difficulties when tasked with generating multiple objects, frequently resulting in hallucinations where certain entities are omitted. While existing solutions typically focus on optimizing latent representations within diffusion models, the relevance of the initial generation seed is typically underestimated. While using various seeds in multiple iterations can improve results, this method also significantly increases time and energy costs. To address this challenge, we introduce HEaD+ (Hallucination Early Detection +), a novel approach designed to identify incorrect generations early in the diffusion process. The HEaD+ framework integrates cross-attention maps and textual information with a novel input, the Predicted Final Image. The objective is to assess whether to proceed with the current generation or restart it with a different seed, thereby exploring multiple-generation seeds while conserving time. HEaD+ is trained on the newly created InsideGen dataset of 45,000 generated images, each containing prompts with up to seven objects. Our findings demonstrate a 6-8% increase in the likelihood of achieving a complete generation (i.e., an image accurately representing all specified subjects) with four objects when applying HEaD+ alongside existing models. Additionally, HEaD+ reduces generation times by up to 32% when aiming for a complete image, enhancing the efficiency of generating complete and accurate object representations relative to leading models. Moreover, we propose an integrated localization module that predicts object centroid positions and verifies pairwise spatial relations (if requested by the users) at an intermediate timestep, gating generation together with object presence to further improve relation-consistent outcomes.
• Abstract（参考訳）: テキスト・ツー・イメージ生成は拡散モデルの出現とともに出力リアリズムが著しく進歩した。 しかし、拡散モデルは、複数のオブジェクトを生成するタスクを行う際に困難に直面するため、特定のエンティティが省略される幻覚が頻繁に発生する。 既存の解は通常拡散モデル内の潜在表現を最適化することに焦点を当てるが、初期生成シードの関連性は通常過小評価される。 様々な種を複数回繰り返して使用することで結果を改善することができるが、この方法は時間とエネルギーコストを著しく向上させる。 この課題に対処するために、拡散過程の早い段階で不正確な世代を特定するために設計された新しいアプローチであるHEaD+(Hallucination Early Detection +)を紹介する。 HEaD+フレームワークは、クロスアテンションマップとテキスト情報を新しい入力である予測最終画像と統合する。 目的は、現在の世代に進むか、異なる種で再起動するかを評価し、時間を維持しながら多世代種を探索することである。 HEaD+は新たに作成された45,000の生成されたイメージのInsideGenデータセットでトレーニングされており、それぞれに最大7つのオブジェクトを含むプロンプトが含まれている。 本研究は, HEaD+を既存モデルと併用した場合に, 完全生成(全対象を正確に表現した画像)を4つのオブジェクトで達成する確率を6～8%増加させることを示した。 さらに、HEaD+は、完全なイメージを目指す場合、生成時間を最大32%削減し、リードモデルに対して、完全かつ正確なオブジェクト表現を生成する効率を高める。 さらに,対象の遠心点の位置を予測し,中間段階の空間的関係(ユーザから要求された場合)を検証し,オブジェクトの存在とともに生成をゲーティングすることで,関係性のある結果をさらに改善する,統合的な局所化モジュールを提案する。

関連論文リスト

• Reconstruct or Generate: Exploring the Spectrum of Generative Modeling for Cardiac MRI [11.267487718542442]
  医用画像では、生成モデルは2つの異なるが等しく重要なタスクにますます依存している。 世代は高い知覚品質と多様性を求め、再構築はデータの忠実さと忠実さに重点を置いている。 本研究では「生成モデル動物園」を導入し、現代の潜伏拡散モデルと自己回帰モデルがどのように再構成世代スペクトルをナビゲートするかを分析する。
  論文  参考訳（メタデータ） (2025-07-25T11:53:50Z)
• StateSpaceDiffuser: Bringing Long Context to Diffusion World Models [52.92249035412797]
  本稿では、状態空間モデルから機能を統合することで、拡散モデルが長時間コンテキストタスクの実行を可能にするStateSpaceDiffuserを紹介する。 この設計は拡散モデルの高忠実性合成を保ちながら長期記憶を復元する。
  論文  参考訳（メタデータ） (2025-05-28T11:27:54Z)
• GAS: Generative Avatar Synthesis from a Single Image [54.95198111659466]
  本研究では,1枚の画像から一対一かつ時間的にコヒーレントなアバターを合成する枠組みを提案する。 提案手法は, 回帰に基づく3次元再構成と拡散モデルの生成能力を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-02-10T19:00:39Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• SADM: Sequence-Aware Diffusion Model for Longitudinal Medical Image Generation [23.174391810184602]
  縦断的医用画像生成のためのシーケンス認識拡散モデル(SADM)を提案する。 本手法は,拡散モデルにおける条件付きモジュールとしてシーケンス対応トランスフォーマーを導入することにより,この新しい手法を拡張した。 3次元縦断的医用画像を用いた実験は,ベースラインや代替手法と比較してSADMの有効性を示した。
  論文  参考訳（メタデータ） (2022-12-16T01:35:27Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)

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。