論文の概要: Advancing Aesthetic Image Generation via Composition Transfer

• arxiv url: http://arxiv.org/abs/2605.04609v1
• Date: Wed, 06 May 2026 07:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.714327
• Title: Advancing Aesthetic Image Generation via Composition Transfer
• Title（参考訳）: 合成伝達による美的画像生成の促進
• Abstract要約: Composerは、意味に依存しない方法で構成をモデル化するように設計されたフレームワークである。 参照画像からキー合成認識表現を抽出することにより、合成転送をサポートする。 また、大規模視覚言語モデルのコンテキスト内学習機能を活用することで、テーマ駆動型合成検索もサポートする。
• 参考スコア（独自算出の注目度）: 57.624601729777986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composition is a cornerstone of visual aesthetics, influencing the appeal of an image. While its principles operate independently of specific content, in practice, composition is often coupled with semantics. As a result, existing methods often enhance composition either through implicit learning or by semantics-based layout control, rather than explicitly modeling composition itself. To address this gap, we introduce Composer, a framework rooted in aesthetic theory, designed to model composition in a semantic-agnostic manner. First, it supports composition transfer by extracting key composition-aware representations from a reference image and leveraging a tailored conditional guidance module to control composition based on pre-trained diffusion models. Second, when users specify only text themes without a composition reference, Composer supports theme-driven composition retrieval by leveraging the in-context learning capabilities of Large Vision-Language Models (LVLMs), achieving explicit composition planning. To enhance composition in a reference-free mode, we conduct text-to-composition fine-tuning on the trained control module to enable implicit composition planning. Furthermore, we curated a high-quality dataset comprising 2 million image-text pairs using state-of-the-art generative models to support model training. Experimental results demonstrate that Composer significantly enhances aesthetic quality in text-to-image tasks and facilitates personalized composition control and transfer, offering users precision and flexibility in the creative process.
• Abstract（参考訳）: 構成は視覚美学の基盤であり、画像の魅力に影響を与える。 その原理は特定の内容とは独立して機能するが、実際には、構成はしばしば意味論と結合される。 その結果、既存の手法は、構成自体を明示的にモデル化するのではなく、暗黙の学習または意味論に基づくレイアウト制御によって構成を強化することが多い。 このギャップに対処するために,意味論的手法で構成をモデル化するために設計された美学理論に根ざしたフレームワークであるComposerを紹介する。 まず、参照画像からキー合成認識表現を抽出し、事前訓練された拡散モデルに基づく合成を制御するための調整条件付きガイダンスモジュールを活用することで、合成転送をサポートする。 第2に,コンポジション参照のないテキストテーマのみを指定する場合,LVLM(Large Vision-Language Models)のコンテキスト内学習機能を活用することで,テーマ駆動型コンポジション検索をサポートし,明示的なコンポジション計画を実現する。 参照不要モードにおけるコンポジションを高めるため、トレーニングした制御モジュール上でテキストから合成までの微調整を行い、暗黙的なコンポジション計画を可能にする。 さらに,最新の生成モデルを用いて200万の画像テキストペアからなる高品質なデータセットをキュレートし,モデルトレーニングを支援した。 実験の結果,Composerはテキスト・ツー・イメージタスクの美的品質を著しく向上させ,個別化された構成制御と伝達を容易にし,創造的プロセスにおけるユーザの精度と柔軟性を提供することがわかった。

関連論文リスト

• Learning to Compose: Revisiting Proxy Task Design for Zero-Shot Composed Image Retrieval [31.201448685871558]
  合成画像検索(CIR)は、基準画像から対象画像とテキスト修正とを検索する。 構成を2つの調整段階としてモデル化するFoCoを提案する。 4つのZS-CIRベンチマークの実験では、FoCoの最先端性能と一般化の改善が示されている。
  論文  参考訳（メタデータ） (2026-07-01T03:20:06Z)
• Cross-Modal Masked Compositional Concept Modeling for Enhancing Visio-Linguistic Compositionality [18.431462064948178]
  CLIPのような対照的に訓練された視覚言語モデルは、共同画像テキスト表現の学習において顕著な進歩を遂げた。 それらはしばしば"bag-of-words"の振る舞いを示し、オブジェクトの関係、属性オブジェクトのバインディング、および単語順序の依存関係をキャプチャするために強化する。 本研究では,構成概念を一様に隠蔽するフレームワークMACCOを提案する。
  論文  参考訳（メタデータ） (2026-06-11T12:45:25Z)
• PhotoFramer: Multi-modal Image Composition Instruction [46.0750537074047]
  PhotoFramerはマルチモーダル・コンポジション・インストラクション・フレームワークである。 まず、自然言語の合成を改善する方法を記述し、うまく構成された例画像を生成する。 PhotoFramerは、プロのフォトグラファーを日常的に利用できるようにする、作曲アシスタントへの実践的な一歩を提供する。
  論文  参考訳（メタデータ） (2025-11-30T17:26:47Z)
• Object-centric Binding in Contrastive Language-Image Pretraining [9.376583779399834]
  本稿では, 強陰性拡張の設計に依存した, 一般的な戦略から分岐する新しいアプローチを提案する。 本研究は,事前学習したCLIP様モデルに誘導バイアスを組み込むことにより,追加のハードネガティブを使わずに構成的理解を改善することに焦点を当てる。 得られたモデルは複雑なシーンのより正確でサンプル効率の良い画像テキストマッチングへの道を開く。
  論文  参考訳（メタデータ） (2025-02-19T21:30:51Z)
• ComAlign: Compositional Alignment in Vision-Language Models [2.3250871476216814]
  コンポジションアライメント(ComAlign)を導入し、テキストと画像コンポーネントのより正確な対応を見出す。 本手法は, テキストのモダリティから抽出した構成構造も画像のモダリティに残さなければならないことを強調する。 私たちは、小さなデータセットを使用して、既存のビジュアルおよび言語エンコーダの上に横たわる軽量ネットワークをトレーニングします。
  論文  参考訳（メタデータ） (2024-09-12T16:46:41Z)
• Cones 2: Customizable Image Synthesis with Multiple Subjects [50.54010141032032]
  本研究では,特定の対象を効率的に表現する方法と,異なる対象を適切に構成する方法について検討する。 クロスアテンションマップ内のアクティベーションを修正することにより、レイアウトはイメージ内の異なる被写体の位置を指定して分離する。
  論文  参考訳（メタデータ） (2023-05-30T18:00:06Z)
• Composer: Creative and Controllable Image Synthesis with Composable Conditions [57.78533372393828]
  ビッグデータで学んだ最近の大規模な生成モデルは、驚くべき画像を合成できるが、制御性は限られている。 この研究は、合成品質とモデルの創造性を維持しつつ、空間配置やパレットのような出力画像の柔軟な制御を可能にする新しい世代パラダイムを提供する。
  論文  参考訳（メタデータ） (2023-02-20T05:48:41Z)
• Training-Free Structured Diffusion Guidance for Compositional Text-to-Image Synthesis [78.28620571530706]
  大規模拡散モデルはテキスト・ツー・イメージ合成(T2I)タスクの最先端の結果を得た。 我々は,T2Iモデルの合成スキル,特により正確な属性結合と画像合成を改善する。
  論文  参考訳（メタデータ） (2022-12-09T18:30:24Z)
• StyleT2I: Toward Compositional and High-Fidelity Text-to-Image Synthesis [52.341186561026724]
  構成性の欠如は、堅牢性と公正性に深刻な影響を及ぼす可能性がある。 テキスト対画像合成の合成性を改善するための新しいフレームワークであるStyleT2Iを導入する。 その結果,StyleT2Iは入力テキストと合成画像との整合性という点で従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-29T17:59:50Z)
• Adversarial Image Composition with Auxiliary Illumination [53.89445873577062]
  本稿では,現実的な画像合成を実現するためのAIC-Netを提案する。 影の発生と前景の移動を両立させる新しい分岐生成機構を提案する。 歩行者と自動車のコンポジションタスクに関する実験により,提案したAIC-Netが優れたコンポジション性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-09-17T12:58:16Z)

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。