Fugu-MT 論文翻訳(概要): MaTe: Images Are All You Need for Material Transfer via Diffusion Transformer

論文の概要: MaTe: Images Are All You Need for Material Transfer via Diffusion Transformer

arxiv url: http://arxiv.org/abs/2605.15660v1
Date: Fri, 15 May 2026 06:31:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-18 21:22:26.191314
Title: MaTe: Images Are All You Need for Material Transfer via Diffusion Transformer
Title（参考訳）: MaTe:画像は拡散変換器による物質移動に必要なもの
Authors: Nisha Huang, Henglin Liu, Yizhou Lin, Kaer Huang, Chubin Chen, Jie Guo, Tong-Yee Lee, Xiu Li,
Abstract要約: MaTeは、テキストのガイダンスと参照ネットワークを排除した、合理化された拡散フレームワークである。トークンレベルで入力画像を統合し、共有潜在空間におけるマルチモーダルアテンションによる統一処理を可能にする。視覚的品質と効率の両面で最先端の手法より優れており、正確な細かなアライメントを保っている。
参考スコア（独自算出の注目度）: 21.547583825573255
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent diffusion-based methods for material transfer rely on image fine-tuning or complex architectures with assistive networks, but face challenges including text dependency, extra computational costs, and feature misalignment. To address these limitations, we propose MaTe, a streamlined diffusion framework that eliminates textual guidance and reference networks. MaTe integrates input images at the token level, enabling unified processing via multi-modal attention in a shared latent space. This design removes the need for additional adapters, ControlNet, inversion sampling, or model fine-tuning. Extensive experiments demonstrate that MaTe achieves high-quality material generation under a zero-shot, training-free paradigm. It outperforms state-of-the-art methods in both visual quality and efficiency while preserving precise detail alignment, significantly simplifying inference prerequisites.
Abstract（参考訳）: 物質移動の拡散に基づく最近の手法は、画像の微調整や補助的ネットワークによる複雑なアーキテクチャに依存しているが、テキスト依存、余分な計算コスト、特徴的ミスアライメントといった課題に直面している。これらの制約に対処するため,テキストのガイダンスや参照ネットワークを排除した拡散フレームワークであるMaTeを提案する。 MaTeはトークンレベルで入力画像を統合し、共有潜在空間におけるマルチモーダルアテンションによる統一処理を可能にする。この設計では、追加のアダプタ、ControlNet、インバージョンサンプリング、モデル微調整の必要性がなくなる。大規模な実験により、MaTeはゼロショット・トレーニングフリーなパラダイムの下で高品質な材料生成を実現することが示された。正確な詳細なアライメントを保ちながら、視覚的品質と効率の両面で最先端の手法より優れており、推論の前提条件を著しく単純化している。

関連論文リスト

DealMaTe: Multi-Dimensional Material Transfer via Diffusion Transformer [45.232470509013815]
DealMaTeは、テキストガイダンスと参照ネットワークを排除する拡散フレームワークである。 DealMaTeは任意の入力材料の下で顕著な高忠実度物質移動を実現する。
論文参考訳（メタデータ） (2026-05-15T07:06:39Z)
Multimodal Large Language Models for Multi-Subject In-Context Image Generation [56.20395856287325]
音楽は、textbfMUlti-textbfSubject textbfIn-textbfContextイメージ生成用に特別に設計された最初のMLLMである。我々は,視覚連鎖機構による多目的意味関係の理解を深める。訓練中に複雑な被写体画像を取り込むことで,連鎖推論におけるモデルの能力を向上させる。
論文参考訳（メタデータ） (2026-04-08T15:37:42Z)
Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
論文参考訳（メタデータ） (2025-12-08T05:04:54Z)
d-Sketch: Improving Visual Fidelity of Sketch-to-Image Translation with Pretrained Latent Diffusion Models without Retraining [18.73832646369506]
本稿では,大規模な拡散モデルの特徴一般化機能を利用したスケッチ・ツー・イメージ翻訳手法を提案する。実験結果から,提案手法は定性的,定量的なベンチマークにおいて既存の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2025-02-19T11:54:45Z)
Training-Free Layout-to-Image Generation with Marginal Attention Constraints [73.55660250459132]
トレーニング不要なレイアウト・トゥ・イメージ(L2I)アプローチを提案する。具体的には、テキスト・ビジュアル・クロスアテンション・フィーチャーマップを用いて、生成された画像のレイアウトと提供された命令の不整合を定量化する。自己アテンション特徴写像の画素間相関を利用して、交差アテンション写像を整列し、境界注意で制約された3つの損失関数を組み合わせ、潜時特徴を更新する。
論文参考訳（メタデータ） (2024-11-15T05:44:45Z)
Training-free Composite Scene Generation for Layout-to-Image Synthesis [29.186425845897947]
本稿では,拡散条件下での対角的意味交叉を克服するために,新しい学習自由アプローチを提案する。本稿では,(1)トークン競合を解消し,正確な概念合成を保証するためのトークン間制約,2)画素間関係を改善する自己注意制約,という2つの革新的な制約を提案する。本評価では,拡散過程の導出にレイアウト情報を活用することで,忠実度と複雑さを向上したコンテンツリッチな画像を生成することの有効性を確認した。
論文参考訳（メタデータ） (2024-07-18T15:48:07Z)
TextCraftor: Your Text Encoder Can be Image Quality Controller [65.27457900325462]
拡散に基づくテキスト・画像生成モデル(例えば、安定拡散)は、コンテンツ生成の分野に革命をもたらした。本研究では,テキスト・ツー・イメージ拡散モデルの性能を向上させるための微調整手法であるTextCraftorを提案する。
論文参考訳（メタデータ） (2024-03-27T19:52:55Z)
Layered Rendering Diffusion Model for Controllable Zero-Shot Image Synthesis [15.76266032768078]
本稿では,テキストクエリに依存する拡散モデルにおける空間制御性向上のための革新的な手法を提案する。まず、摂動分布の基本的な空間的キューとして視覚誘導を導入する。本稿では,複数のレイヤからなる画像レンダリングプロセスを構築する汎用フレームワークであるLayered Rendering Diffusion (LRDiff)を提案する。
論文参考訳（メタデータ） (2023-11-30T10:36:19Z)
Fine-grained Appearance Transfer with Diffusion Models [23.29713777525402]
画像から画像への変換(I2I)は、構造的コヒーレンスを維持しながら、画像間の視覚的外観を変化させようとしている。本稿では, セマンティックマッチング, 外観伝達, 潜時偏差の様々な側面を統合することで, これらの課題を克服する革新的なフレームワークを提案する。
論文参考訳（メタデータ） (2023-11-27T04:00:04Z)
MaskDiffusion: Boosting Text-to-Image Consistency with Conditional Mask [84.84034179136458]
テキスト・イメージのミスマッチ問題に繋がる重要な要因は、モダリティ間の関係学習の不十分さである。本稿では,注目マップと迅速な埋め込みを条件とした適応マスクを提案し,画像特徴に対する各テキストトークンの寄与度を動的に調整する。この手法はMaskDiffusionと呼ばれ、トレーニング不要で、一般的な事前学習拡散モデルに対してホットプラグ可能である。
論文参考訳（メタデータ） (2023-09-08T15:53:37Z)

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。