論文の概要: MemoGen: Can Past Experience Improve Future Text-to-Image Generation?

• arxiv url: http://arxiv.org/abs/2606.03243v1
• Date: Tue, 02 Jun 2026 07:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.821489
• Title: MemoGen: Can Past Experience Improve Future Text-to-Image Generation?
• Title（参考訳）: MemoGen:過去の経験は将来のテキスト・画像生成を改善できるか?
• Authors: Wenshuo Chen, Kuimou Yu, Bowen Tian, Jianfei Song, Shaofeng Liang, Haozhe Jia, Kan Cheng, Haosen Li, Kaishen Yuan, Lei Wang, Jiemin Wu, Songning Lai, Yutao Yue,
• Abstract要約: 我々は,既存の画像生成装置をエージェント進化層で拡張する,トレーニング不要のフレームワークであるMemoGenを提案する。 各タスクに対して、MemoGenは視覚的要件を明示的に推測し、必要に応じて外部エビデンスと参照を取得し、それらを実行可能な生成制約に変換する。 進化ラウンド全体を通して、エージェントは関連する経験を取得し、同様の世代の改善を行い、失敗したケースを選択的に修復し、成功したケースを保存する。
• 参考スコア（独自算出の注目度）: 10.461937938760842
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern text-to-image models have achieved strong visual synthesis, yet remain unreliable when prompts require implicit visual constraints, relational reasoning, or external knowledge. Existing retrieval-augmented and agentic generation methods mitigate this issue by acquiring external knowledge, references, or refined prompts for the current request, yet they typically treat each generation as an isolated episode and do not systematically preserve past successes or failures for future use. In this work, we ask whether a text-to-image system can continually improve from its own generation experience without updating the underlying generator. We propose MemoGen, a training-free framework that augments existing image generators with an agentic evolution layer. For each task, MemoGen explicitly infers visual requirements, retrieves external evidence and references when necessary, translates them into executable generation constraints, evaluates the generated result, and stores task understanding, reference choices, visual feedback, successful strategies, and failure lessons as reusable experience memory. Across evolution rounds, the agent retrieves relevant experience to improve similar future generations, selectively repairing previously failed cases while preserving successful ones, thereby enabling test-time self-evolution without parameter updates. Extensive experiments on knowledge-intensive and reasoning-oriented benchmarks demonstrate the effectiveness of this paradigm: after only two evolution rounds, MemoGen built upon the open-source Qwen-Image backbone surpasses strong proprietary systems such as Nano Banana Pro and GPT-Image-1 on WISE and Mind-Bench, showing that explicit experience memory can serve as a powerful continual learning signal for reliable text-to-image generation.
• Abstract（参考訳）: 現代のテキスト・ツー・イメージモデルでは強い視覚合成が達成されているが、プロンプトが暗黙の視覚的制約、関係的推論、あるいは外部知識を必要とする場合、信頼できないままである。 既存の検索強化およびエージェント生成手法は、現在の要求に対する外部の知識、参照、あるいは洗練されたプロンプトを取得することでこの問題を軽減するが、通常は各世代を独立したエピソードとして扱い、将来の使用のために過去の成功や失敗を体系的に保存しない。 本研究では,テキスト・ツー・イメージ・システムが,基礎となるジェネレータを更新することなく,その生成体験から継続的に改善できるかどうかを問う。 我々は,既存の画像生成装置をエージェント進化層で拡張する,トレーニング不要のフレームワークであるMemoGenを提案する。 各タスクに対して、MemoGenは視覚的要件を明示的に推論し、必要に応じて外部エビデンスと参照を検索し、それらを実行可能な生成制約に変換し、生成された結果を評価し、タスク理解、参照選択、視覚的フィードバック、成功戦略、障害教訓を再利用可能なエクスペリエンスメモリとして格納する。 進化ラウンド全体で、エージェントは関連する経験を取得して、同様の世代の改善を行い、成功したケースを保存しながら、以前に失敗したケースを選択的に修復し、パラメータを更新せずにテスト時の自己進化を可能にする。 知識集約と推論指向のベンチマークに関する大規模な実験は、このパラダイムの有効性を実証している。2回の進化ラウンドの後、オープンソースのQwen-Imageバックボーン上に構築されたMemoGenは、WISEやMind-BenchのNano Banana ProやGPT-Image-1のような強力なプロプライエタリなシステムを超え、明示的な体験記憶が、信頼できるテキスト-画像生成のための強力な連続的な学習信号として機能することを示した。

関連論文リスト

• GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation [27.909477662239215]
  我々は、オープンエンド画像生成のための自己進化型フレームワークGenEvolveを提案する。 GenEvolveでは、各生成の試みはツール調整された軌道としてモデル化され、エージェントが証拠を収集し、参照を選択し、生成スキルを呼び出し、それらをプロンプト参照プログラムに構成する。 オンラインの自己蒸留にインスパイアされた視覚体験蒸留(Visual Experience Distillation)は、密集したトークンレベルの監視を提供し、学生がより良い検索、知識の活性化、参照の選択、迅速な構築を支援する。
  論文  参考訳（メタデータ） (2026-05-20T18:12:29Z)
• Gen-Searcher: Reinforcing Agentic Search for Image Generation [27.075835154806025]
  我々はGen-Searcherを画像生成エージェントを訓練する最初の試みとして紹介する。 我々は,画像生成に検索対象外的知識を明示的に要求するベンチマークであるKnowGenを紹介する。 実験の結果、Gen-SearcherはQwen-ImageをKnowGenで16ポイント改善し、WISEで15ポイント改善した。
  論文  参考訳（メタデータ） (2026-03-30T17:59:56Z)
• DuoGen: Towards General Purpose Interleaved Multimodal Generation [65.13479486098419]
  DuoGenは汎用的なインターリーブ生成フレームワークで、データキュレーション、アーキテクチャ設計、評価に対処する。 我々は、キュレートされた生のWebサイトから書き直されたマルチモーダルな会話を組み合わせることで、大規模で高品質な命令チューニングデータセットを構築する。 2段階の切り離し戦略はまずMLLMをインストラクションチューニングし、次にインターリーブされた画像テキストシーケンスを使用してDiTをアライメントする。
  論文  参考訳（メタデータ） (2026-01-31T04:35:15Z)
• Open Multimodal Retrieval-Augmented Factual Image Generation [86.34546873830152]
  Factual Image Generation(FIG)のためのエージェント型オープンマルチモーダル検索拡張フレームワークORIGを紹介する。 ORIGは、Webから反復的にマルチモーダルなエビデンスを検索してフィルタリングし、洗練された知識をリッチなプロンプトにインクリメンタルに統合し、生成をガイドする。 実験により、ORIGは強いベースラインよりも事実整合性と全体的な画像品質を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-10-26T04:13:31Z)
• Understanding-in-Generation: Reinforcing Generative Capability of Unified Model via Infusing Understanding into Generation [43.98469957837991]
  統一モデル(UiG)のための新しい推論フレームワークを提案する。 UiGの中核となる洞察は、推論過程において強力な理解能力によって生成誘導を統合することである。 我々のUiGフレームワークは,既存のテキスト・ツー・イメージ推論手法に比べて,テキスト・ツー・イメージ生成の性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-09-23T04:52:39Z)
• Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy [164.83371924650294]
  検索と生成を反復的に同期させるIter-RetGenと呼ばれる手法により,高い性能が得られることを示す。 モデル出力は、タスクを完了するために必要なものを示し、より関連する知識を取得するための情報的コンテキストを提供する。 Iter-RetGenプロセスは、すべての知識を全体として取得し、構造的な制約なしに生成時の柔軟性をほとんど保持します。
  論文  参考訳（メタデータ） (2023-05-24T16:17:36Z)
• Re-Imagen: Retrieval-Augmented Text-to-Image Generator [58.60472701831404]
  検索用テキスト・ツー・イメージ・ジェネレータ(再画像) 検索用テキスト・ツー・イメージ・ジェネレータ(再画像)
  論文  参考訳（メタデータ） (2022-09-29T00:57:28Z)

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。