論文の概要: Advanced Image Generation: Negative Prompt Optimization and Latent Classifier Guidance

• arxiv url: http://arxiv.org/abs/2607.14580v1
• Date: Thu, 16 Jul 2026 05:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.998122
• Title: Advanced Image Generation: Negative Prompt Optimization and Latent Classifier Guidance
• Title（参考訳）: 高度な画像生成: 負のプロンプト最適化と潜時分類法ガイダンス
• Abstract要約: 安定拡散によって生成される画像の品質を向上させるために、微調整シーケンス・ツー・シーケンスのLLMとラテント空間分類器ガイダンスによって負のプロンプト最適化を統合する新しいシステムを提案する。 提案手法は最適化された負のプロンプトを自動的に生成し,CNN-RNNハイブリッド分類器を用いて拡散過程を評価し,低品質の潜伏更新をロールバックする。 実験により,我々の二重誘導フレームワークは,ベースライン拡散よりも人工物が減少し,意味的忠実度が向上することが示された。
• 参考スコア（独自算出の注目度）: 0.0815557531820863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel system that integrates negative prompt optimization via a fine-tuned sequence-to-sequence LLM and latent-space classifier guidance to improve the quality of images generated by Stable Diffusion. Our approach automatically generates optimized negative prompts, and employs a CNN-RNN hybrid classifier to evaluate and guide diffusion steps, rolling back low-quality latent updates. Experimental results demonstrate that our dual-guidance framework reduces artifacts and improves semantic fidelity compared to baseline diffusion.
• Abstract（参考訳）: 安定拡散によって生成される画像の品質を向上させるために、微調整シーケンス・ツー・シーケンスのLLMとラテント空間分類器ガイダンスによって負のプロンプト最適化を統合する新しいシステムを提案する。 提案手法は最適化された負のプロンプトを自動的に生成し,CNN-RNNハイブリッド分類器を用いて拡散過程を評価し,低品質の潜伏更新をロールバックする。 実験により,我々の二重誘導フレームワークは,ベースライン拡散よりも人工物が減少し,意味的忠実度が向上することが示された。

関連論文リスト

• Prompt Optimization Via Diffusion Language Models [73.9599434962714]
  本稿では,迅速な最適化のための拡散型フレームワークを提案する。 本手法は,下流言語モデルへのアクセスや変更を必要とせずに,フレキシブルかつスパンレベルのプロンプト更新を可能にする。 適度な拡散ステップ数によって、精製品質と安定性のバランスが良くなることを示す。
  論文  参考訳（メタデータ） (2026-01-30T00:00:54Z)
• Enhancing Diffusion Model Guidance through Calibration and Regularization [9.22066257345387]
  本稿では,この問題に対処するための2つの補完的貢献を紹介する。 まず,Smooth expected Error(Smooth ECE)に基づく微分可能なキャリブレーション目標を提案する。 第2に,再訓練を必要とせず,市販の分類器で動作可能なサンプリング誘導手法を開発した。
  論文  参考訳（メタデータ） (2025-11-08T04:23:42Z)
• Knowledge Regularized Negative Feature Tuning of Vision-Language Models for Out-of-Distribution Detection [54.433899174017185]
  信頼性の高い機械学習モデルを構築するには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 我々はKR-NFT(Knowledge Regularized Negative Feature Tuning)と呼ばれる新しい手法を提案する。 NFTは、事前訓練されたテキスト特徴に分布認識変換を適用し、正および負の特徴を異なる空間に効果的に分離する。 ImageNetデータセットから数発のサンプルをトレーニングすると、KR-NFTはID分類精度とOOD検出を改善するだけでなく、FPR95を5.44%削減する。
  論文  参考訳（メタデータ） (2025-07-26T07:44:04Z)
• Negative-Guided Subject Fidelity Optimization for Zero-Shot Subject-Driven Generation [52.18071720309418]
  本稿では,ゼロショットな被写体駆動生成のための新しい比較学習フレームワークである主観的忠実度最適化(SFO)を提案する。 SFOは、ペアワイズ比較を通じて、ネガティブよりもポジティブを好むようモデルに導出する。 負の目標に対して、主観的生成に適した合成陰性を自動生成する条件劣化負サンプリング(CDNS)を提案する。
  論文  参考訳（メタデータ） (2025-06-04T06:59:25Z)
• HiFi Tuner: High-Fidelity Subject-Driven Fine-Tuning for Diffusion Models [56.112302700630806]
  我々は、パーソナライズされた画像生成におけるオブジェクトの外観保存を強化するために、HiFi Tunerという革新的なアルゴリズムを導入する。 主要な機能強化には、マスクガイダンスの利用、新しいパラメータ正規化手法、ステップワイドな主題表現の導入などがある。 提案手法を,テキスト操作による画像中の被写体置換という,新しい画像編集タスクに拡張する。
  論文  参考訳（メタデータ） (2023-11-30T02:33:29Z)
• Contrast-augmented Diffusion Model with Fine-grained Sequence Alignment for Markup-to-Image Generation [15.411325887412413]
  本稿では,FSA-CDM (Contrast-augmented Diffusion Model with Fine-fine Sequence Alignment) という新しいモデルを提案する。 FSA-CDMは、マークアップ・ツー・イメージ生成の性能を高めるために、対照的な正/負のサンプルを拡散モデルに導入する。 異なるドメインの4つのベンチマークデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2023-08-02T13:43:03Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• End-to-End Diffusion Latent Optimization Improves Classifier Guidance [81.27364542975235]
  拡散潜水剤(DOODL)の直接最適化は,新しいガイダンス手法である。 拡散潜伏剤の最適化によるプラグアンドプレイ誘導を可能にする。 計算と人的評価の指標において、一段階の分類器ガイダンスよりも優れている。
  論文  参考訳（メタデータ） (2023-03-23T22:43:52Z)

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。