論文の概要: OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation

• arxiv url: http://arxiv.org/abs/2605.21343v1
• Date: Wed, 20 May 2026 16:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.771313
• Title: OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation
• Title（参考訳）: OcclusionFormer:レイアウト付き画像生成のためのZオーダーのアレンジ
• Authors: Ziye Li, Henghui Ding,
• Abstract要約: OcclusionFormerは、インスタンスを分離することで、Zオーダーの優先順位を明示的にモデル化する新しいフレームワークです。 また、個別のインスタンスを明示的に監視し、セマンティックな一貫性を高めるクエリアライメント損失を導入します。 提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。
• 参考スコア（独自算出の注目度）: 49.49933361280724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent layout-to-image models have achieved remarkable progress in spatial controllability. However, they still struggle with inter-object occlusion. When bounding boxes overlap, most existing methods lack explicit occlusion information, which makes the generation in intersection regions inherently ambiguous and hinders the determination of complex occlusion relationships. As a result, they often produce entangled textures or physically inconsistent layering in the overlapped areas. To address this issue, we first construct SA-Z, a large-scale dataset enriched with explicit occlusion ordering and pixel-level annotations. Building upon our proposed dataset, we introduce OcclusionFormer, a novel occlusion-aware Diffusion Transformer framework that explicitly models Z-order priority by decoupling instances and compositing them via volume rendering. Furthermore, to ensure fine-grained spatial precision, we introduce a queried alignment loss that explicitly supervises individual instances and enhances semantic consistency. The proposed method effectively reduces ambiguity in overlapping regions, enforces correct occlusion dependencies, and preserves structural integrity, leading to substantial accuracy gains across diverse scenes.
• Abstract（参考訳）: 近年のレイアウト・ツー・イメージモデルは空間制御性において顕著な進歩を遂げている。 しかし、彼らはいまだに排他的排除に苦戦している。 境界ボックスが重なり合う場合、既存のほとんどの手法では明示的な閉塞情報がないため、交差領域における生成は本質的に曖昧であり、複雑な閉塞関係の決定を妨げる。 結果として、しばしば絡み合ったテクスチャや、重なり合う領域で物理的に不整合な層を作る。 この問題に対処するため,我々はまず,明示的なオクルージョン順序付けとピクセルレベルのアノテーションを備えた大規模データセットであるSA-Zを構築した。 提案したデータセットに基づいてOcclusionFormerを紹介した。これはOcclusion-aware Diffusion Transformerフレームワークで、インスタンスの分離とボリュームレンダリングによる合成により、Zオーダーの優先度を明示的にモデル化する。 さらに,微粒な空間精度を確保するために,個別のインスタンスを明示的に監視し,セマンティックな一貫性を向上するクエリアライメントロスを導入する。 提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。

関連論文リスト

• DepthArb: Training-Free Depth-Arbitrated Generation for Occlusion-Robust Image Synthesis [21.345962204165932]
  DepthArbは,対話対象間の注意競合を和らげることで,オクルージョンの曖昧さを解消する学習自由フレームワークである。 DepthArbは、閉塞精度と視覚的忠実度の両方を合成することにより、最先端のベースラインを一貫して上回ることを示す。 プラグアンドプレイ法として、DepthArbは拡散バックボーンの構成能力をシームレスに強化する。
  論文  参考訳（メタデータ） (2026-03-25T04:28:17Z)
• CroBIM-U: Uncertainty-Driven Referring Remote Sensing Image Segmentation [8.834663340762562]
  リモートセンシング画像セグメンテーションの参照は、複雑なオーバーヘッド画像内に自然言語で記述された特定のターゲットをローカライズすることを目的としている。 既存の手法では、画像全体にわたって均一な融合と精錬戦略を用いるのが一般的である。 本稿では,適応推論のオーケストレーションに先立って,画素単位の参照不確実性マップを空間として明示的に活用する,テキストbfuncertainty-guidedフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T01:02:39Z)
• Multi-Agent Amodal Completion: Direct Synthesis with Fine-Grained Semantic Guidance [17.81116161163605]
  隠されたオブジェクトの見えない部分を生成するアモーダルコンプリートは、画像編集やARといったアプリケーションには不可欠である。 本稿では,これらの問題を克服するための先行的協調推論に基づく協調的マルチエージェント推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-22T13:20:06Z)
• Semantic Concentration for Self-Supervised Dense Representations Learning [103.10708947415092]
  イメージレベルの自己教師型学習(SSL)は大きな進歩を遂げているが、パッチの密度の高い表現を学ぶことは依然として難しい。 この研究は、画像レベルのSSLが暗黙のセマンティックな集中を伴って過分散を避けることを明らかにしている。
  論文  参考訳（メタデータ） (2025-09-11T13:12:10Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• From Missing Pieces to Masterpieces: Image Completion with Context-Adaptive Diffusion [98.31811240195324]
  ConFillは、各拡散ステップで生成された画像とオリジナル画像の差を小さくする新しいフレームワークである。 現行の手法より優れており、画像補完の新しいベンチマークが設定されている。
  論文  参考訳（メタデータ） (2025-04-19T13:40:46Z)
• Convex Hull-based Algebraic Constraint for Visual Quadric SLAM [9.855936120653995]
  対象表現として二次体を用いることは、画像空間と世界空間の間の一般閉形式射影の利点がある。 二重再構成については, 多数提案されているが, 多くは不正確であり, 局所化の最小限の改善が得られている。 物体のランドマークに対して,簡潔かつ高精度な凸船体に基づく制約を導入する。 公開データセットを用いた実験により,本手法がモノクロおよびRGB-D SLAMの両方に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-03-03T07:30:07Z)
• SA-MixNet: Structure-aware Mixup and Invariance Learning for Scribble-supervised Road Extraction in Remote Sensing Images [85.52629779976137]
  複雑化の進んだ画像シーンを作成するために,ある画像から別の画像へ道路領域を貼り付ける構造を意識したミックスアップ方式を提案する。 道路構造を保ちながら接続性を高めるために,識別器に基づく正規化が設計されている。 われわれのフレームワークは、DeepGlobe、Wuhan、およびマサチューセッツのデータセット上で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-03-03T02:56:43Z)
• Harnessing the Spatial-Temporal Attention of Diffusion Models for High-Fidelity Text-to-Image Synthesis [59.10787643285506]
  拡散に基づくモデルは、テキストと画像の合成タスクで最先端のパフォーマンスを達成した。 これらのモデルの1つの重要な制限は、テキスト記述に関して生成された画像の忠実度が低いことである。 本研究では,拡散モデルにおける空間的時間的相互アテンションを明示的に制御する新しいテキスト・ツー・イメージアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-07T23:49:34Z)
• Feature Completion Transformer for Occluded Person Re-identification [25.159974510754992]
  咬合者の再同定(Re-ID)は,咬合者の破壊による課題である。 特徴空間に隠された部分の意味情報を暗黙的に補完する特徴補完変換器(FCFormer)を提案する。 FCFormerは優れたパフォーマンスを実現し、隠蔽されたデータセットに対してかなりのマージンで最先端の手法を上回ります。
  論文  参考訳（メタデータ） (2023-03-03T01:12:57Z)

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。