論文の概要: When Do Diffusion Models learn to Generate Multiple Objects?

• arxiv url: http://arxiv.org/abs/2605.00273v1
• Date: Thu, 30 Apr 2026 22:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.780223
• Title: When Do Diffusion Models learn to Generate Multiple Objects?
• Title（参考訳）: 拡散モデルは、いつ複数のオブジェクトを生成するか?
• Authors: Yujin Jeong, Arnas Uselis, Iro Laina, Seong Joon Oh, Anna Rohrbach,
• Abstract要約: 印象的な視覚的忠実さにもかかわらず、テキストと画像の拡散モデルは多目的生成では信頼できないままである。 異なるデータセットサイズにまたがる2つのレギュレーションを考慮し、データ効果を歪めます。 私たちは、シーンの複雑さが概念の不均衡よりも支配的な役割を担っており、低いデータ体制ではカウントが一意に学習することが難しいことに気付きました。
• 参考スコア（独自算出の注目度）: 44.921264268890106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image diffusion models achieve impressive visual fidelity, yet they remain unreliable in multi-object generation. Despite extensive empirical evidence of these failures, the underlying causes remain unclear. We begin by asking how much of this limitation arises from the data itself. To disentangle data effects, we consider two regimes across different dataset sizes: (1) concept generalization, where each individual concept is observed during training under potentially imbalanced data distributions, and (2) compositional generalization, where specific combinations of concepts are systematically held out. To study these regimes, we introduce mosaic (Multi-Object Spatial relations, AttrIbution, Counting), a controlled framework for dataset generation. By training diffusion models on mosaic, we find that scene complexity plays a dominant role rather than concept imbalance, and that counting is uniquely difficult to learn in low-data regimes. Moreover, compositional generalization collapses as more concept combinations are held out during training. These findings highlight fundamental limitations of diffusion models and motivate stronger inductive biases and data design for robust multi-object compositional generation.
• Abstract（参考訳）: テキスト・ツー・イメージ拡散モデルは印象的な視覚的忠実度を達成するが、多目的生成では信頼できない。 これらの失敗の広範な実証的な証拠にもかかわらず、根本原因はいまだ不明である。 この制限のどれ程がデータ自身から生じるのかを問うことから始めます。 データ効果を分散させるためには,(1) 概念一般化,(2) 概念の特定の組み合わせを体系的に保持する構成一般化という,異なるデータセットサイズにまたがる2つの方法を検討する。 これらの状況を研究するために、データセット生成のための制御フレームワークであるモザイク(Multi-Object Space Relation, AttrIbution, Counting)を導入する。 モザイク上での拡散モデルの訓練により、シーンの複雑さは概念の不均衡よりも支配的な役割を担っており、低データ体制下でのカウントはユニークに学習が困難であることがわかった。 さらに、より多くの概念の組み合わせが訓練中に実施されるにつれて、構成一般化は崩壊する。 これらの結果は拡散モデルの基本的限界を強調し、より強い帰納バイアスと頑健な多目的合成生成のためのデータ設計を動機付けている。

関連論文リスト

• What Drives Compositional Generalization in Visual Generative Models? [56.01574461407906]
  画像生成と映像生成において,様々なデザイン選択が構成一般化にどのように影響するかを体系的に研究する。 i)訓練対象が離散的あるいは連続的な分布に作用するか否か,および(ii)訓練中に構成概念に関する情報を提供する条件がどの程度あるか,という2つの要因を同定する。 これらの知見に基づいて,MaskGITの離散的損失を補助的連続JEPAベースで緩和することにより,MaskGITのような離散モデルにおける構成性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-10-03T15:02:27Z)
• UNIFORM: Unifying Knowledge from Large-scale and Diverse Pre-trained Models [62.76435672183968]
  UNIFORMと呼ばれる新しいフレームワークを導入し、多様なオフザシェルフモデルから1つの学生モデルへ知識を伝達する。 本稿では,ロジットレベルでも機能レベルでも知識のコンセンサスを捉えるための,専用の投票機構を提案する。 UNIFORMは、強い知識伝達ベースラインに比べて、教師なしオブジェクト認識性能を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2025-08-27T00:56:11Z)
• How Compositional Generalization and Creativity Improve as Diffusion Models are Trained [82.08869888944324]
  構成規則を学習するために生成モデルに必要なサンプルはいくつあるか? ルールを学習するために、データのどのシグナルが利用されるのか? ここで紹介する階層的クラスタリング機構と物理における再正規化群との関係について論じる。
  論文  参考訳（メタデータ） (2025-02-17T18:06:33Z)
• Human-Object Interaction Detection Collaborated with Large Relation-driven Diffusion Models [65.82564074712836]
  テキストと画像の拡散モデルに光を流す新しいHOI検出器であるDIFfusionHOIを紹介する。 まず、埋め込み空間における人間と物体の関係パターンの表現をインバージョンベースで学習する戦略を考案する。 これらの学習された関係埋め込みはテキストのプロンプトとして機能し、スタイア拡散モデルが特定の相互作用を記述する画像を生成する。
  論文  参考訳（メタデータ） (2024-10-26T12:00:33Z)
• How Diffusion Models Learn to Factorize and Compose [14.161975556325796]
  拡散モデルは、トレーニングセットに表示されない可能性のある要素を組み合わせた、フォトリアリスティックな画像を生成することができる。 本研究では,拡散モデルが構成可能な特徴の意味的意味的・要因的表現を学習するかどうかを考察する。
  論文  参考訳（メタデータ） (2024-08-23T17:59:03Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• The Emergence of Reproducibility and Generalizability in Diffusion Models [10.188731323681575]
  同じスタートノイズ入力と決定論的サンプリングが与えられた場合、異なる拡散モデルはしばしば驚くほど類似した出力が得られる。 拡散モデルはトレーニングデータサイズの影響を受けやすい分布を学習していることを示す。 この価値ある性質は、条件付き使用、逆問題解決、モデル微調整など、拡散モデルの多くの変種に一般化される。
  論文  参考訳（メタデータ） (2023-10-08T19:02:46Z)

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。