論文の概要: MaSC: A Masked Similarity Metric for Evaluating Concept-Driven Generation
- arxiv url: http://arxiv.org/abs/2605.22469v1
- Date: Thu, 21 May 2026 13:28:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.274462
- Title: MaSC: A Masked Similarity Metric for Evaluating Concept-Driven Generation
- Title（参考訳）: MaSC: コンセプト駆動生成を評価するためのマスク付き類似性メトリクス
- Authors: Patryk Bartkowiak, Lennart Petersen, Bartosz Kotrys, Dominik Michels, Soren Pirk, Wojtek Palubicki,
- Abstract要約: 評価を主観的な概念保存と背景に基づくプロンプトに分解する尺度であるMASCを紹介する。
DreamBench++の人間の評価では、MASCは概念保存のためにKrippendorff alpha = 0.471を達成し、試験された全ての非LLMベースラインとGPT-4Vを上回り、GPT-4oに近づいた。
- 参考スコア（独自算出の注目度）: 2.151565482719323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evaluating single-concept personalization in text-to-image diffusion requires measuring both concept preservation, which captures identity fidelity to a reference, and prompt following, which captures whether the generated scene matches the prompt. Existing metrics commonly compute these signals using global image or text-image embeddings, such as CLIP-I, DINO, and CLIP-T. We show that such metrics correlate poorly with human perception because they attend to the image as a whole instead of separating the concept subject from the background. We introduce MaSC, a masked similarity metric that uses externally provided foreground concept masks to decompose evaluation into subject-specific concept preservation and background-based prompt following. MaSC computes both scores from frozen SigLIP2 SO400M-NaFlex features: concept preservation is measured by masked max-cosine matching between foreground reference patches and generated-image patches, while prompt following is measured by comparing a background-only pooled image embedding to a subject-stripped prompt embedding. On DreamBench++ human ratings, MaSC achieves Krippendorff alpha = 0.471 for concept preservation, outperforming all tested non-LLM baselines and GPT-4V, and approaching GPT-4o. On ORIDa, a real-photo identity-preservation benchmark across physical environments, MaSC achieves AUC = 0.992, nearly perfectly distinguishing same-subject from cross-subject pairs. Its prompt-following score also outperforms the CLIP-T baseline shipped with DreamBench++. These results show that spatially decomposed aggregation is a strong design principle for evaluating concept-driven generation.
- Abstract（参考訳）: テキストと画像の拡散におけるシングルコンセプトのパーソナライズを評価するには、参照に対するアイデンティティの忠実度をキャプチャする概念保存と、生成されたシーンがプロンプトにマッチするかどうかをキャプチャするプロンプトフォローの両方を計測する必要がある。
既存のメトリクスは、CLIP-I、DINO、CLIP-Tといったグローバルイメージやテキストイメージの埋め込みを使用して、これらの信号を一般的に計算する。
これらの指標は、背景から概念を分離するのではなく、全体像に参画するため、人間の知覚と相関が低いことを示す。
マスク付き類似度測定器であるMASCを導入し,外装された前景のコンセプトマスクを用いて,評価を主観的概念保存と背景に基づくプロンプトに分解する。
MaSCは、凍結したSigLIP2 SO400M-NaFlexの特徴から両方のスコアを計算する:概念保存は、前景参照パッチと生成されたイメージパッチとのマスク付きマックスコサインマッチングによって測定される。
DreamBench++の人間の評価では、MASCは概念保存のためにKrippendorff alpha = 0.471を達成し、試験された全ての非LLMベースラインとGPT-4Vを上回り、GPT-4oに近づいた。
物理環境をまたいだ実光アイデンティティ保存ベンチマークであるORIDaでは、MASCはAUC = 0.992を達成し、オブジェクト間のペアとほぼ完全に同一のオブジェクトを区別する。
プロンプトフォロースコアもDreamBench++で出荷されたCLIP-Tベースラインを上回っている。
これらの結果から,空間的に分解されたアグリゲーションは概念駆動生成を評価するための強力な設計原理であることが示唆された。
関連論文リスト
- UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation [65.53694602893042]
VLMエンコーディングの前にVTとVAE機能を融合した統合ビジュアルコンディショニングフレームワークを提案する。
2つのマルチ参照生成ベンチマークの実験により、UniCustomは主題の一貫性、命令従順、構成の忠実さを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-12T13:10:05Z) - RealDrag: The First Dragging Benchmark with Real Target Image [9.439854281295803]
textbfRealDragは、点ベースの画像編集のための最初の包括的なベンチマークであり、ペアの接地真理ターゲット画像を含んでいる。
私たちのデータセットには、さまざまなビデオソースから400以上の人間の注釈付きサンプルが含まれています。
また、Semantical Distance(SeD)、Outer Mask Preserving Score(OMPS)、Inner Patch Preserving Score(IPPS)、Directional similarity(DiS)の4つの新しいタスク特化指標を提案する。
論文 参考訳（メタデータ） (2025-12-13T11:14:03Z) - Beyond Cosine Similarity Magnitude-Aware CLIP for No-Reference Image Quality Assessment [25.104682483704]
本稿では,コサインの類似性を大局的に認識できる品質クオリティキューに補完する新しい適応融合フレームワークを提案する。
本手法は,タスク固有のトレーニングを伴わずに,標準のCLIPベースのIQAと最先端のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2025-11-13T04:28:03Z) - How Semantically Informative is an Image?: Measuring the Covariance-Weighted Norm of Contrastive Learning Embeddings [29.802362373605263]
コントラスト学習モデルを用いてテキストサンプルから算出した画像に対する意味情報度指標を提案する。
画像上の条件付けが関連するテキストの分布を歪めているかを測定する。
論文 参考訳（メタデータ） (2025-06-28T13:36:44Z) - Towards Automatic Evaluation for Image Transcreation [52.71090829502756]
本稿では,機械翻訳(MT)メトリクスにインスパイアされた自動評価指標群を提案する。
画像トランスクリエーションの3つの重要な側面として,文化的関連性,意味的等価性,視覚的類似性を挙げる。
この結果から,視覚エンコーダの表現は視覚的類似度を測定するのに有効であるのに対し,プロプライエタリなVLMは文化的関連性と意味的等価性を最もよく認識していることがわかった。
論文 参考訳（メタデータ） (2024-12-18T10:55:58Z) - Layer-Wise Feature Metric of Semantic-Pixel Matching for Few-Shot Learning [14.627378118194933]
Few-Shot Learningでは、伝統的なメトリクスベースのアプローチは、しばしば類似性を計算するためにグローバルなメトリクスに依存する。
自然界では、キーインスタンスの空間配置は画像間で矛盾することが多い。
本稿では,セマンティック・ピクチャー・マッチングのレイヤワイズ特徴量と呼ばれる新しい手法を提案し,より詳細な比較を行う。
論文 参考訳（メタデータ） (2024-11-10T05:12:24Z) - MagicFace: Training-free Universal-Style Human Image Customized Synthesis [13.944050414488911]
MagicFaceは、マルチコンセプトのユニバーサルなヒューマンイメージパーソナライズされた合成のためのトレーニング不要の方法である。
私たちの中核となる考え方は、人間が特定の概念を与えられた画像を作成する方法をシミュレートし、まずセマンティックなレイアウトを確立することです。
第1段階では、RSAは遅延画像がすべての参照概念から同時に特徴を問合せすることを可能にする。
論文 参考訳（メタデータ） (2024-08-14T10:08:46Z) - Bringing Masked Autoencoders Explicit Contrastive Properties for Point Cloud Self-Supervised Learning [116.75939193785143]
画像領域における視覚変換器(ViT)のコントラスト学習(CL)は、従来の畳み込みバックボーンのCLに匹敵する性能を達成した。
ViTで事前訓練した3Dポイントクラウドでは、マスク付きオートエンコーダ(MAE)モデリングが主流である。
論文 参考訳（メタデータ） (2024-07-08T12:28:56Z) - 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) - Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。
本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。
提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
論文 参考訳（メタデータ） (2022-05-09T17:51:44Z)
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。