論文の概要: Structure-Semantic Co-optimized Latent Diffusion Model for Fast Visual Anagram Synthesis
- arxiv url: http://arxiv.org/abs/2606.16241v1
- Date: Mon, 15 Jun 2026 05:40:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.098002
- Title: Structure-Semantic Co-optimized Latent Diffusion Model for Fast Visual Anagram Synthesis
- Title（参考訳）: 高速ビジュアルアナグラム合成のための構造意味的共最適化潜在拡散モデル
- Authors: Xiang Gao, Yunpeng Jia,
- Abstract要約: この研究は、最小の計算コストで視覚品質を大幅に改善した視覚アナグラムを生成することに焦点を当てている。
我々は,画素ベースのT2Iモデルから逆蒸留されたラテントモデルへのカットエッジ並列化アルゴリズムを適用した。
textbfS2CO-Anagram は高解像度のアナグラム画像を生成することができる。
- 参考スコア（独自算出の注目度）: 5.621818036193247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual anagram is an intriguing form of art creation wherein a single image presents different conceptual interpretations under transformations such as flipping or rotation. Recent work has achieved visual anagram synthesis by leveraging pretrained text-to-image (T2I) diffusion models, yet still suffers from several key limitations including computational inefficiency, suboptimal aesthetic quality, and weak semantic fidelity and expressiveness. This work focuses on generating visual anagrams with substantially improved visual quality at minimal computational cost, thereby advancing intelligent creation of illusionary digital art. To increase image resolution while reducing time overhead, we adapt the cutting-edge parallel denoising algorithm from pixel-based T2I model to the adversarially distilled latent-based one, and accordingly propose a structure-semantic co-optimization (S2CO) framework to counteract the consequent visual degradation. As the core of our approach, S2CO framework comprises three key innovations: (\romannumeral1) null-text structure alignment optimization; (\romannumeral2) semantic enhancement optimization; (\romannumeral3) attention-guided noise fusion. Building upon these components, our method dubbed \textbf{S2CO-Anagram} is able to generate higher-resolution anagram images with noticeably superior visual harmony and semantic faithfulness than related SOTA approaches, all while achieving substantially faster inference speed. Code will be publicly available.
- Abstract（参考訳）: 視覚アナグラム(Visual anagram)は、一つの画像が回転や回転などの変換の下で異なる概念的解釈を提示する、興味深い芸術創造形態である。
最近の研究は、事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルを活用することで、視覚的なアナグラム合成を実現しているが、それでも、計算の非効率性、最適でない美的品質、弱い意味的忠実性、表現力など、いくつかの重要な制限に悩まされている。
この研究は、最小の計算コストで視覚品質を大幅に改善した視覚アナグラムを生成することに焦点を当て、錯覚的デジタルアートのインテリジェントな創造を推進している。
時間的オーバーヘッドを低減しつつ画像の解像度を向上させるため,画素ベースのT2Iモデルから逆蒸留されたラテントベースのモデルに近縁の並列化アルゴリズムを適用し,それに対応するための構造意味共最適化(S2CO)フレームワークを提案する。
提案手法のコアとなるS2COフレームワークは,3つの重要な革新点で構成されている。 (\romannumeral1) null-text構造アライメント最適化, (\romannumeral2) セマンティックエンハンスメント最適化, (\romannumeral3) 注意誘導ノイズ融合である。
これらのコンポーネントをベースとして,本手法は高分解能なアナグラム画像を生成することができ,関連するSOTA手法よりも顕著に優れた視覚調和とセマンティック忠実度を実現し,推論速度を大幅に高速化することができる。
コードは公開されます。
関連論文リスト
- Semantic One-Dimensional Tokenizer for Image Reconstruction and Generation [11.568334063059638]
SemTokはセマンティックな1次元トークンライザで、2D画像を高レベルなセマンティクスで1次元の離散テキストトークンに圧縮する。
SemTokは、画像再構成の最先端を新たに設定し、非常にコンパクトなトークン表現で優れた忠実性を実現する。
SemTok上に構築したマスク付き自己回帰生成フレームワークは、下流画像生成タスクにおいて顕著な改善をもたらす。
論文 参考訳（メタデータ） (2026-03-17T11:01:08Z) - Cheers: Decoupling Patch Details from Semantic Representations Enables Unified Multimodal Comprehension and Generation [66.53544128707817]
Cheersは、パッチレベルの詳細をセマンティック表現から切り離す、統一されたマルチモーダルモデルである。
チェアは視覚的理解と生成の両方において、高度なUMMと一致または超えます。
論文 参考訳（メタデータ） (2026-03-13T08:55:27Z) - Vision Foundation Models as Effective Visual Tokenizers for Autoregressive Image Generation [52.261584726401686]
凍結した視覚基盤モデルの上に画像トークン化器を直接構築するための新しい方向を示す。
これらの設計に基づき,提案する画像トークン装置であるVFMTokは,画像再構成と生成品質の大幅な向上を実現している。
論文 参考訳（メタデータ） (2025-07-11T09:32:45Z) - From Mapping to Composing: A Two-Stage Framework for Zero-shot Composed Image Retrieval [30.33315985826623]
Composed Image Retrieval (CIR) は、参照画像と付随する修正テキストに基づいてターゲット画像を取得する、困難なマルチモーダルタスクである。
本稿では,マッピングから構成に至るまでのトレーニングを行うための2段階のフレームワークを提案する。
最初の段階では、視覚的意味注入モジュールを導入して、画像から擬似単語へのトークン学習を強化する。
第2段階では、少量の合成三重項データを用いてテキストエンコーダを最適化し、合成意味論を効果的に抽出する。
論文 参考訳（メタデータ） (2025-04-25T00:18:23Z) - GigaTok: Scaling Visual Tokenizers to 3 Billion Parameters for Autoregressive Image Generation [81.58846231702026]
視覚トークン化のスケーリングにおいて、画像再構成、生成、表現学習を改善するための最初のアプローチであるGigaTokを紹介する。
我々は、遅延空間の増大する複雑さを、再生と世代ジレンマの主な要因とみなす。
数十億ドルのパラメータにスケールアップすることで、GigaTokは、再構築、下流のAR生成、下流のAR表現品質における最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-04-11T17:59:58Z) - Unleashing Text-to-Image Diffusion Prior for Zero-Shot Image Captioning [70.98890307376548]
そこで本研究では,学習中に不信なコンテンツを適応的に緩和する,新しいPatch-wise Cross-modal Feature Mix-up(PCM)機構を提案する。
私たちのPCM-Netは、ドメイン内およびクロスドメインのゼロショット画像キャプションの両方で第1位です。
論文 参考訳（メタデータ） (2024-12-31T13:39:08Z) - STAR: Scale-wise Text-conditioned AutoRegressive image generation [38.98271279816512]
本稿では,スケールワイド自動回帰パラダイムを用いたテキスト・ツー・イメージ・モデルSTARを紹介する。
STARは、最大1024$times$1024までのテキスト駆動画像生成を可能にする。
論文 参考訳（メタデータ） (2024-06-16T03:45:45Z) - Biphasic Face Photo-Sketch Synthesis via Semantic-Driven Generative
Adversarial Network with Graph Representation Learning [40.544844623958426]
本稿では,これらの問題に対処するためのセマンティック・ドリブン・ジェネレーティブ・アドバイザリ・ネットワークを提案する。
人間の顔が異なる空間構造を持つことを考慮し、まず、生成元にクラスワイドなセマンティックレイアウトを注入する。
IntrA-class Semantic Graph (IASG) とInteR-class Structure Graph (IRSG) という2種類の表現グラフを構築した。
論文 参考訳（メタデータ） (2022-01-05T13:14:14Z) - DF-GAN: A Simple and Effective Baseline for Text-to-Image Synthesis [80.54273334640285]
本稿では,異なる生成装置間の絡み合わずに高解像度画像を直接合成する,新しい1段階のテキスト・ツー・イメージバックボーンを提案する。
また,Matching-Aware Gradient Penalty と One-Way Output を組み合わせた新たなターゲット認識識別器を提案する。
現在の最先端手法と比較して,提案するDF-GANはよりシンプルだが,現実的およびテキストマッチング画像の合成には効率的である。
論文 参考訳（メタデータ） (2020-08-13T12:51:17Z)
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。