論文の概要: ERNIE-Image Technical Report

• arxiv url: http://arxiv.org/abs/2605.25347v1
• Date: Mon, 25 May 2026 02:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.241988
• Title: ERNIE-Image Technical Report
• Title（参考訳）: ERNIE- Image Technical Report
• Authors: Jiaxiang Liu, Zhida Feng, Pengyu Zou, Zhenyu Qian, Tianrui Zhu, Jun Xia, Yuehu Dong, Yanzheng Lin, Honglin Xiong, Anqi Chen, Yunpeng Ding, Jinghui Duan, Lin Gao, Chao Han, Tiechao He, Jiakang Hu, Ranjun Hua, Xueming Jiang, Qingli Kong, Yuting Lei, Tianyu Li, Yunlin Liu, Changling Liu, Yaxin Liu, Yi Liu, Xuguang Liu, Xiaolong Ma, Yan Pan, Yiran Ren, Nan Sheng, Yu Sun, Siyang Sun, Yixiang Tu, Yang Wan, Huanai Wang, Siqi Wang, Yang Wu, Youzhi Yang, Xiaowen Yang, Jianwen Yang, Yehua Yang, Quanwen Zhang, Xinmin Zhang, Haoxin Zhang, Xiang Zhang, Jun Zhang, Qian Zhang, Qiao Zhao, Qi Zhou,
• Abstract要約: ERNIE-Imageは8BのシングルストリームDiTアーキテクチャ上に構築されたオープンソースのテキスト・画像生成モデルである。 事前学習では, きめ細かい画像分類, リッチキャプションアノテーション, 美的評価, 階層的サンプリングを併用する。 ポストトレーニングでは、モデルを人間の美的嗜好と整合させるため、安定化DPO戦略を適用した。
• 参考スコア（独自算出の注目度）: 45.08086049647297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce ERNIE-Image, an open-source text-to-image generation model built upon an 8B single-stream DiT architecture. ERNIE-Image aims to bridge the gap between current open-source models and leading closed-source systems through more effective mining of large-scale pre-training data and improved supervision quality throughout training. During pre-training, we adopt a bottom-up data construction pipeline that combines fine-grained image categorization, rich caption annotation, aesthetic assessment, and hierarchical sampling. This strategy reduces data noise while preserving long-tail concepts and detailed real-world knowledge, providing a stronger foundation for complex generation tasks. In the post-training stage, we use a top-down data construction pipeline for high-demand scenarios, diversify prompt annotations to better match real user inputs, and apply a stabilized DPO strategy to align the model with human aesthetic preferences. We further train ERNIE-Image-Turbo for efficient 8-NFE generation and propose MT-DMD to mitigate capability drift during distillation. To make the model easier to use in practical scenarios, we equip it with a lightweight Prompt Enhancer that expands concise user intents into structured visual descriptions. In addition, we develop ERNIE-Image-Aes, an industrial-grade aesthetic model, together with ERNIE-Image-Aes-1K, a human-annotated benchmark for realistic aesthetic evaluation. Extensive qualitative and quantitative experiments show that ERNIE-Image achieves leading performance among open-source models and approaches top-tier commercial models in instruction following, text rendering, and aesthetic quality. We release the trained models and aesthetic resources to facilitate further academic research and technical progress in the AIGC community.
• Abstract（参考訳）: ERNIE-Imageは,8B 単一ストリーム DiT アーキテクチャ上に構築された,オープンソースのテキスト・画像生成モデルである。 ERNIE-Imageは、大規模な事前トレーニングデータのより効率的なマイニングを通じて、現在のオープンソースモデルとクローズドソースシステムのギャップを埋めることを目的としている。 事前トレーニングでは,詳細な画像分類,リッチキャプションアノテーション,美的評価,階層的サンプリングを組み合わせたボトムアップデータ構築パイプラインを採用する。 この戦略は、ロングテールの概念と詳細な現実世界の知識を維持しながらデータノイズを低減し、複雑な生成タスクのより強力な基盤を提供する。 トレーニング後の段階では、高要求シナリオのためのトップダウンデータ構築パイプラインを使用し、実際のユーザ入力に合うようにプロンプトアノテーションを多様化し、安定化されたDPO戦略を適用して、モデルを人間の美的嗜好と整合させる。 さらに, 効率的な8-NFE生成のためのERNIE-Image-Turboを訓練し, 蒸留時のドリフト低減のためのMT-DMDを提案する。 実際のシナリオでモデルをより使いやすくするために、簡潔なユーザ意図を構造化された視覚的記述に拡張する軽量なPrompt Enhancerを装備する。 さらに,産業レベルの審美モデルであるERNIE-Image-Aesと,現実的な審美評価のための人間アノテーションベンチマークであるERNIE-Image-Aes-1Kを開発した。 大規模な定性的および定量的実験により、ERNIE-Imageはオープンソースモデルの間で主要な性能を達成し、命令追従、テキストレンダリング、美的品質において最上位の商用モデルにアプローチすることを示した。 我々は、AIGCコミュニティのさらなる学術研究と技術進歩を促進するために、トレーニングされたモデルと美的リソースをリリースする。

関連論文リスト

• Peer-Ranked Precision: Creating a Foundational Dataset for Fine-Tuning Vision Models from DataSeeds' Annotated Imagery [0.8374689870024963]
  我々は、当初、約10,610人の高品質な人間のピアランク写真画像からなるDataSeeds.AIサンプルデータセット(DSD)を紹介した。 DSDは、商用画像データセットの新しい標準となるように設計された基礎的なコンピュータビジョンデータセットである。 我々は、DSDが既知のベンチマークに対する特定のモデルに対して生成した量的改善を文書化し、我々の評価で使用されるコードとトレーニングされたモデルを一般公開する。
  論文  参考訳（メタデータ） (2025-06-06T01:50:28Z)
• Policy Optimized Text-to-Image Pipeline Design [73.9633527029941]
  本稿では,テキスト・ツー・イメージ生成のための新しい強化学習フレームワークを提案する。 提案手法は、まず、画像品質のスコアをインタプリタ-ワークフローの組み合わせから直接予測できる報奨モデルのアンサンブルを訓練する。 次に、最初の語彙学習とGRPOに基づく最適化という2段階のトレーニング戦略を実装した。
  論文  参考訳（メタデータ） (2025-05-27T17:50:47Z)
• BLIP3-o: A Family of Fully Open Unified Multimodal Models-Architecture, Training and Dataset [140.1967962502411]
  本稿では,拡散変換器を用いて意味的にリッチなCLIP画像特徴を生成する手法を提案する。 画像理解のための統合モデルファーストトレーニングと画像生成のための逐次事前学習戦略は、実用的な利点をもたらす。 革新的なモデル設計、トレーニングレシピ、データセットに基づいて、最先端の統一マルチモーダルモデルのスイートであるBLIP3-oを開発します。
  論文  参考訳（メタデータ） (2025-05-14T17:11:07Z)
• FoundIR: Unleashing Million-scale Training Data to Advance Foundation Models for Image Restoration [66.61201445650323]
  既存の手法は現実のシナリオにおける一般化ボトルネックに悩まされる。 既存のトレーニングデータに対して,2つの大きなメリットがある,100万規模のデータセットをコントリビュートしています。 実世界のシナリオにおいて,より広範囲の復元作業に対処するために,ロバストなモデルFoundIRを提案する。
  論文  参考訳（メタデータ） (2024-12-02T12:08:40Z)
• YaART: Yet Another ART Rendering Technology [119.09155882164573]
  そこで本研究では,ヒトの嗜好に適合する新しい生産段階のテキスト・ツー・イメージ拡散モデルYaARTを紹介した。 これらの選択がトレーニングプロセスの効率と生成された画像の品質にどのように影響するかを分析する。 高品質な画像の小さなデータセットでトレーニングされたモデルが、より大きなデータセットでトレーニングされたモデルとうまく競合できることを実証する。
  論文  参考訳（メタデータ） (2024-04-08T16:51:19Z)

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。