論文の概要: Breaking the Lock-in: Diversifying Text-to-Image Generation via Representation Modulation
- arxiv url: http://arxiv.org/abs/2606.06813v1
- Date: Fri, 05 Jun 2026 01:27:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.50208
- Title: Breaking the Lock-in: Diversifying Text-to-Image Generation via Representation Modulation
- Title（参考訳）: ロックインを破る:表現変調によるテキスト・画像生成の多様化
- Authors: Dahee Kwon, Haeun Lee, Jaesik Choi,
- Abstract要約: 我々は,この成分を早期に選択的に減衰させる訓練自由表現レベル介入であるdiVersity Enhancement (DAVE) のDC減衰を提案する。
DAVEは、サンプリングパイプラインを無視可能なオーバーヘッドで保存し、競合画像の品質を維持しながら、即時一貫性の多様性を改善している。
- 参考スコア（独自算出の注目度）: 25.553618756894593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent text-to-image models built on large-scale Transformer backbones and flow-based objectives deliver strong text-image alignment and high visual quality, yet often produce overly similar samples under a fixed prompt. Existing diversity-enhancement methods alleviate this issue, but typically require expensive sampling or auxiliary optimization, incurring non-trivial overhead. To investigate the root cause of this homogeneity, we examine intermediate Transformer features and observe that the zero-frequency spatial average (DC) component rapidly converges across seeds early in generation, causing early trajectory lock-in that limits downstream variation. Building on this observation, we propose DC Attenuation for diVersity Enhancement (DAVE), a training-free representation-level intervention that selectively attenuates this component in the early regime. DAVE preserves the sampling pipeline with negligible overhead, improving prompt-consistent diversity while maintaining competitive image quality.
- Abstract（参考訳）: 大規模トランスフォーマーのバックボーンとフローベースの目的に基づいて構築された最近のテキスト・ツー・イメージモデルは、強いテキスト・イメージアライメントと高い視覚的品質を提供するが、しばしば固定されたプロンプトの下で過剰に類似したサンプルを生成する。
既存の多様性向上手法はこの問題を緩和するが、通常高価なサンプリングや補助的な最適化を必要とし、非自明なオーバーヘッドを引き起こす。
この均質性の根本原因を明らかにするため,中間変圧器の特徴を調査し,0周波空間平均 (DC) 成分が生成初期に種子に急速に収束し,下流の変動を抑える初期の軌道ロックインを引き起こすことを観察した。
本研究は,直流減衰によるディバーシティ・エンハンスメント(DAVE)を提案し,この成分を早期に選択的に減衰させる訓練自由表現レベル介入を提案する。
DAVEは、サンプリングパイプラインを無視可能なオーバーヘッドで保存し、競合画像の品質を維持しながら、即時一貫性の多様性を改善している。
関連論文リスト
- Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - Disentangling Generation and Regression in Stochastic Interpolants for Controllable Image Restoration [30.480465453951982]
DiSIは、Interpolantプロセスを独立した生成および回帰コンポーネントに分離する統合フレームワークである。
本研究では,DiSIが画像復元タスクにおいて効率よく競合する結果を得ると同時に,単一モデル内での歪み知覚トレードオフを制御するための予測時間の柔軟性を独自に提供することを示す。
論文 参考訳（メタデータ） (2026-05-20T16:41:32Z) - IR-Flow: Bridging Discriminative and Generative Image Restoration via Rectified Flow [46.532530550015736]
本稿では,Rectified Flowに基づく新しい画像復元手法IR-Flowを提案する。
まず, モデルから学習し, 様々なレベルの劣化に適応できる多層データ分散フローを構築した。
劣化画像領域とクリーン画像領域間の直線移動流を直接確立することにより,高速な推論が可能となるだけでなく,分布外劣化への適応性も向上することを示す。
論文 参考訳（メタデータ） (2026-04-21T16:58:14Z) - Token Pruning for In-Context Generation in Diffusion Transformers [20.121758465381053]
インコンテキスト生成は参照例を通して制御可能な画像・画像生成を可能にすることで拡散変換器(DiT)を大幅に強化する。
既存のトークン削減技術は、主にテキストと画像の合成に適したもので、このパラダイムでは不足している。
In-context generation in-context generation in DiTs.ToPiは、トレーニング不要なトークンプルーニングフレームワークである。
論文 参考訳（メタデータ） (2026-02-02T03:54:32Z) - Training-Free Generation of Diverse and High-Fidelity Images via Prompt Semantic Space Optimization [50.5332987313297]
本稿では,トレーニングフリーでモデルに依存しないモジュールであるToken-Prompt Embedding Space Optimization (TPSO)を提案する。
TPSOは、トークン埋め込み空間の未表現領域を探索するために学習可能なパラメータを導入し、学習された分布の強いモードからサンプルを繰り返し生成する傾向を減少させる。
MS-COCOと3つの拡散バックボーンの実験では、TPSOは画像品質を犠牲にすることなく、生成多様性を著しく向上し、ベースライン性能を1.10から4.18ポイントに改善した。
論文 参考訳（メタデータ） (2025-11-25T00:42:09Z) - Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。
結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
論文 参考訳（メタデータ） (2025-11-23T14:37:59Z) - Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。
提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
論文 参考訳（メタデータ） (2025-10-21T02:19:12Z) - OSCAR: Orthogonal Stochastic Control for Alignment-Respecting Diversity in Flow Matching [14.664226708184676]
フローベースのテキスト・ツー・イメージモデルは決定論的軌跡に従っており、ユーザーは様々なモードを見つけるために繰り返しサンプルを採取せざるを得ない。
本稿では,フロー自体を多様性に配慮した,トレーニング不要な推論時間制御機構を提案する。
論文 参考訳（メタデータ） (2025-10-10T07:07:19Z) - Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。
中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。
大規模な実験ではPPADの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-05-26T14:42:35Z) - Gated Multi-Resolution Transfer Network for Burst Restoration and
Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。
5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文 参考訳（メタデータ） (2023-04-13T17:54:00Z) - TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。
トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。
第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
論文 参考訳（メタデータ） (2021-04-02T01:42:01Z)
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。