論文の概要: CoBind: Stage-Aware Compositional Binding for Training-Free Text-to-Image Generation
- arxiv url: http://arxiv.org/abs/2607.16307v1
- Date: Tue, 14 Jul 2026 12:18:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.104246
- Title: CoBind: Stage-Aware Compositional Binding for Training-Free Text-to-Image Generation
- Title（参考訳）: CoBind: 学習不要なテキスト・画像生成のためのステージ対応合成バインディング
- Abstract要約: 拡散ベースのテキスト-画像モデルは、複数のエンティティ、属性、関係を含む複雑なプロンプトで失敗することが多い。
ステージ認識型コンポジションバインディングのためのトレーニング不要フレームワークである textbfCoBind を紹介する。
- 参考スコア（独自算出の注目度）: 0.2770822269241973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-based text-to-image models often fail on complex prompts involving multiple entities, attributes, and relations, producing object omissions, incorrect attribute assignments, or reversed spatial layouts. Existing training-free methods mainly strengthen token-level attention, but do not explicitly model which attributes belong to which entities or when different constraints should be enforced during denoising. We introduce \textbf{CoBind}, a training-free framework for stage-aware compositional binding. CoBind parses a prompt into a composition graph of entities, attributes, and relations. It first establishes the global layout using entity-completeness and relation constraints, then binds attributes to their target entities through contrastive cross-entity optimization. Structural guidance is gradually relaxed in later denoising steps to preserve textures and visual details. CoBind also adapts the guidance strength according to the current satisfaction of each constraint, reducing unnecessary latent updates. CoBind requires no retraining or additional annotations. Experiments on T2I-CompBench++, GenEval, and multiple diffusion backbones show consistent improvements in attribute binding, spatial relations, and complex compositional generation while maintaining competitive visual quality.
- Abstract（参考訳）: 拡散ベースのテキスト・ツー・イメージモデルは、複数のエンティティ、属性、関係を含む複雑なプロンプトで失敗し、オブジェクトの省略、不正確な属性の割り当て、あるいは空間レイアウトの逆を生成する。
既存のトレーニングフリーなメソッドは主にトークンレベルの注意を強くするが、どの属性がどのエンティティに属するか、あるいは特定の制約が課されるかを明確にモデル化するものではない。
ステージ認識型コンポジションバインディングのためのトレーニングフリーフレームワークである \textbf{CoBind} を紹介する。
CoBindはプロンプトをエンティティ、属性、関係性の合成グラフに解析する。
まず、エンティティ完全性と関係制約を使ってグローバルなレイアウトを確立し、その後、コントラッシブな整合性最適化を通じて属性をターゲットエンティティにバインドする。
構造的ガイダンスは、テクスチャと視覚的詳細を保存するために後続の装飾ステップで徐々に緩和される。
CoBindはまた、各制約の現在の満足度に応じてガイダンス強度を適応し、不要な遅延更新を減らす。
CoBindは再トレーニングや追加のアノテーションを必要としない。
T2I-CompBench++、GenEval、および多重拡散バックボーンの実験は、競争力のある視覚的品質を維持しつつ、属性結合、空間関係、複雑な構成生成を一貫して改善したことを示している。
関連論文リスト
- InstructionCrafter: Generating Consistent and High-Fidelity Visual Instructions [6.198298884034955]
既存のテキスト画像生成アプローチは、ステップ忠実性、クロスイメージ一貫性、フレーム単位の視覚的品質を満たすことは滅多にない。
InstructionCrafterは、時間的および命令的アライメントの最適化を分離する鍵となるアイデアを持つ拡散ベースのフレームワークである。
私たちのコードとトレーニングされたモデルは公開されます。
論文 参考訳（メタデータ） (2026-08-09T04:01:21Z) - Generative Data Transformation: From Mixed to Unified Data [57.84692191369066]
textscTaesarはtextbftarget-textbfal textbfregenerationのためのEmphdata中心のフレームワークである。
ドメイン間のコンテキストを対象のシーケンスにエンコードすることで、複雑な融合アーキテクチャを使わずに、標準的なモデルで複雑な依存関係を学習することができる。
論文 参考訳（メタデータ） (2026-02-26T08:30:09Z) - Communication-Inspired Tokenization for Structured Image Representations [74.17163003465537]
COMiT(Communication inspired Tokenization)は、構造化された視覚トークンシーケンスを学習するためのフレームワークである。
セマンティックアライメントが基盤となる一方で、解釈可能なオブジェクト中心のトークン構造を誘導するためには、注意的なシーケンシャルトークン化が重要であることを示す。
論文 参考訳（メタデータ） (2026-02-24T09:53:50Z) - ABE-CLIP: Training-Free Attribute Binding Enhancement for Compositional Image-Text Matching [9.610261779024219]
ABE-CLIPは、CLIPのようなモデルにおける属性オブジェクトのバインディングを強化するために設計された、トレーニング不要な属性バインディング拡張手法である。
我々はセマンティック・リファインメント(Semantic Refinement)機構を用いて、テキスト中のオブジェクトと属性の両方のフレーズに対するトークンの埋め込みを洗練する。
局所化類似度スコアを集約することにより、ABE-CLIPは最終的な画像-テキスト類似度を計算する。
論文 参考訳（メタデータ） (2025-12-19T02:36:51Z) - VSC: Visual Search Compositional Text-to-Image Diffusion Model [15.682990658945682]
本稿では,一対のイメージ埋め込みを利用して属性オブジェクトの結合を改善する新しい合成生成手法を提案する。
提案手法は,複雑なプロンプトをサブプロンプトに分解し,対応する画像を生成し,テキスト埋め込みと融合して表現を強化する視覚プロトタイプを計算する。
提案手法は,T2I CompBenchベンチマークにおける既存の合成テキスト・画像拡散モデルより優れ,画像品質の向上,人間による評価,およびプロンプト内の結合対のスケーリングによる堅牢性の向上を実現している。
論文 参考訳（メタデータ） (2025-05-02T08:31:43Z) - Token Merging for Training-Free Semantic Binding in Text-to-Image Synthesis [98.21700880115938]
Text-to-image (T2I) モデルは、しばしば入力プロンプトに意味的に関連付けられたオブジェクトや属性を正確に結合するのに失敗する。
Token Merging(ToMe)と呼ばれる新しい手法を導入し、関連するトークンを1つの複合トークンに集約することでセマンティックバインディングを強化する。
論文 参考訳（メタデータ） (2024-11-11T17:05:15Z) - Object-Attribute Binding in Text-to-Image Generation: Evaluation and Control [58.37323932401379]
現在の拡散モデルは、入力としてテキストプロンプトが与えられたイメージを生成するが、テキストで言及されている属性を画像の正しいオブジェクトに正しく結び付けるのに苦労する。
入力文中の構文的制約により視覚的注意マップを制御できる集中的横断注意(FCA)を提案する。
我々は、T2I生成の大幅な改善、特にいくつかのデータセットに対する属性オブジェクトのバインディングを示す。
論文 参考訳（メタデータ） (2024-04-21T20:26:46Z) - Relation Rectification in Diffusion Model [64.84686527988809]
本稿では,最初に生成できない関係を正確に表現するためにモデルを洗練することを目的とした,リレーション・リクティフィケーション(Relation Rectification)と呼ばれる新しいタスクを紹介する。
異種グラフ畳み込みネットワーク(HGCN)を利用した革新的な解を提案する。
軽量HGCNは、テキストエンコーダによって生成されたテキスト埋め込みを調整し、埋め込み空間におけるテキスト関係の正確な反映を保証する。
論文 参考訳（メタデータ） (2024-03-29T15:54:36Z) - TokenCompose: Text-to-Image Diffusion with Token-level Supervision [43.307556249485366]
TokenComposeはテキスト・画像生成のための遅延拡散モデルである。
ユーザが指定したテキストプロンプトとモデル生成画像との間の一貫性の向上を実現する。
論文 参考訳（メタデータ） (2023-12-06T17:13:15Z) - Person-in-Context Synthesiswith Compositional Structural Space [59.129960774988284]
本研究では,コンテキスト合成におけるtextbfPersons という新たな問題を提案する。
コンテキストは、形状情報を欠いたバウンディングボックスオブジェクトレイアウトで指定され、キーポイントによる人物のポーズは、わずかに注釈付けされている。
入力構造におけるスターク差に対処するため、各(コンテキスト/人物)入力を「共有構成構造空間」に意図的に合成する2つの別個の神経枝を提案した。
この構造空間は多レベル特徴変調戦略を用いて画像空間にデコードされ、自己学習される
論文 参考訳（メタデータ） (2020-08-28T14:33:28Z)
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。