論文の概要: Boosting Text-to-Image Diffusion Models via Core Token Attention-Based Seed Selection

• arxiv url: http://arxiv.org/abs/2605.19532v1
• Date: Tue, 19 May 2026 08:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.209295
• Title: Boosting Text-to-Image Diffusion Models via Core Token Attention-Based Seed Selection
• Title（参考訳）: Core Token Attention-based Seed Selectionによるテキスト・画像拡散モデルの構築
• Authors: Yunzhe Zhang, Hongfu Liu, Pengyu Hong,
• Abstract要約: 本稿では,コアトークンに対する注意のダイナミクス,すなわちコンテントを持つ単語が最終生成品質を強く予測することを示す。 Intention-Based Seed Selection (ABSS) は、トレーニング不要のプラグアンドプレイ方式で、特定のプロンプトに種をランク付けし、中核トークンへのクロスアテンションを活用する。
• 参考スコア（独自算出の注目度）: 8.116206114186392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image diffusion models can synthesize high-quality images, yet the outcome is notoriously sensitive to the random seed: different initial seeds often yield large variations in image quality and prompt-image alignment. We revisit this "seed effect" and show that attention dynamics over prompt core tokens, the content-bearing words, measured during the first few denoising steps, strongly predict final generation quality. Building on this observation, we introduce Attention-Based Seed Selection (ABSS), a training-free, plug-and-play method that ranks seeds for a given prompt by leveraging cross-attention to core tokens during the denoising process. ABSS requires no finetuning and does not alter the initial noise; it scores and ranks all candidate seeds, keeps only the top-k for full generation, and discards the rest, without relying on a fixed accept/reject threshold. Operating purely at inference time, ABSS can serve as a lightweight pre-selection add-on for existing seed-optimization pipelines, enabling additional gains. Across three benchmarks, extensive experiments show that ABSS enables consistent improvements in text-image alignment and visual quality for Stable Diffusion variants, as corroborated by human preference and alignment metrics.
• Abstract（参考訳）: テキストから画像への拡散モデルは高品質な画像を合成することができるが、結果はランダムなシードに対して非常に敏感である。 この「シード・エフェクト」を再考し、最初の数ステップで測定された内容を持つ単語であるコアトークンよりも注目度が、最終生成品質を強く予測することを示す。 本研究は,本研究の成果を生かしたアテンションベースシードセレクション (ABSS) について紹介する。これは,学習を伴わないプラグアンドプレイ方式で,認知過程においてコアトークンへのクロスアテンションを活用することで,与えられたプロンプトに対してシードをランク付けする。 ABSSは微調整を必要とせず、初期ノイズを変更せず、すべての候補種をスコア付けしてランク付けし、全世代でトップkだけを保持し、固定されたアクセプション/リジェクトしきい値に依存することなく、残りを破棄する。 推論時に純粋に動作するABSSは、既存のシード最適化パイプラインのための軽量な事前選択アドオンとして機能し、さらなるゲインを可能にする。 3つのベンチマークで、ABSSは人間の嗜好とアライメントの指標によって裏付けられるように、テキストイメージのアライメントと安定拡散変種に対する視覚的品質を一貫した改善を可能にしている。

関連論文リスト

• Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection [53.789057575175065]
  領域認識型prompt Augmentation(RAPTA)とAttention-Driven Multimodal Copy Detection(ADMCD)を示す。 RAPTAはオブジェクト検出器を使用して、正常な領域を見つけ、それらを意味論的に接地したプロンプトの変種に変換する。 ADMCDは、ローカルパッチ、グローバルセマンティック、テクスチャキューを軽量トランスフォーマーで集約し、融合表現を生成する。 実験により、RAPTAは高い合成品質を維持しながら過度な適合を減少させ、ADMCDはコピーを確実に検出し、単一モードの指標より優れることが示された。
  論文  参考訳（メタデータ） (2026-03-13T15:16:27Z)
• Toward Early Quality Assessment of Text-to-Image Diffusion Models [23.306273801765297]
  最近のテキスト・ツー・イメージ(T2I)拡散モデルとフローマッチングモデルは、自然言語のプロンプトから非常にリアルな画像を生成することができる。 Probe-Selectは、生成プロセス内の画像品質の効率的な評価を可能にするプラグインモジュールである。
  論文  参考訳（メタデータ） (2026-03-03T10:25:46Z)
• Noise Projection: Closing the Prompt-Agnostic Gap Behind Text-to-Image Misalignment in Diffusion Models [9.683618735282414]
  テキスト・ツー・イメージ生成において、異なる初期ノイズは、事前訓練された安定拡散(SD)モデルで異なる雑音を誘導する。 このパターンは多様な画像を出力できるが、いくつかのパターンはプロンプトとうまく一致しないかもしれない。 そこで本研究では,初期雑音に対してテキスト条件の修正を施したノイズプロジェクタを提案する。
  論文  参考訳（メタデータ） (2025-10-16T10:14:34Z)
• Early Timestep Zero-Shot Candidate Selection for Instruction-Guided Image Editing [32.56049667145546]
  ELECT (Early-timestep Latent Evaluation for Candidate Selection) は、早期拡散時の背景ミスマッチを推定することにより、信頼性の高い種を選択するフレームワークである。 バックグラウンドの不整合スコアによってシード候補をランク付けし、編集性を維持しながら、バックグラウンド一貫性に基づいて、不適切なサンプルを早期にフィルタリングする。 実験の結果、ELECTは計算コスト(平均で41%削減)を削減し、バックグラウンドの一貫性と命令の順守を改善し、外部の監督や訓練なしに失敗するケースで約40%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-04-18T05:59:01Z)
• InitNO: Boosting Text-to-Image Diffusion Models via Initial Noise Optimization [27.508861002013358]
  InitNOは、意味的に忠実な画像の初期ノイズを洗練させるパラダイムである。 戦略的に構築されたノイズ最適化パイプラインは、初期ノイズを有効領域へ導くために開発された。 厳密な実験によって検証された本手法は,テキストのプロンプトに厳密な一致で画像を生成する能力を示す。
  論文  参考訳（メタデータ） (2024-04-06T14:56:59Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Text-Conditioned Sampling Framework for Text-to-Image Generation with Masked Generative Models [52.29800567587504]
  そこで本研究では,テキスト情報を用いた局所的監視により最適なトークンを選択するための,学習可能なサンプリングモデルであるテキスト定義トークン選択(TCTS)を提案する。 TCTSは画像の品質だけでなく、生成された画像と与えられたテキストのセマンティックアライメントも改善する。 我々は、周波数適応サンプリング(FAS)と様々な生成タスクを組み合わせたTCTSの有効性を検証し、画像テキストのアライメントや画質において、ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2023-04-04T03:52:49Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)

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。