論文の概要: Element-Aware Group Learning for E-Commerce Image Generation

• arxiv url: http://arxiv.org/abs/2608.00584v1
• Date: Sat, 01 Aug 2026 10:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.787007
• Title: Element-Aware Group Learning for E-Commerce Image Generation
• Title（参考訳）: 電子商取引画像生成のための要素認識型グループ学習
• Abstract要約: ビジョン言語モデル(VLM)は、製品イメージとメタデータから画像編集プロンプトを生成することができる。 プロンプト書き込み機能の改善には、生成されたイメージからのフィードバックによる後トレーニングが必要だ。 電子商取引画像は、競争力のあるVLMプロンプトライティングベースラインよりも高品質な電子商取引画像を生成する。
• 参考スコア（独自算出の注目度）: 18.989839742726975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in image generation and editing have made prompt quality a key bottleneck for e-commerce creatives. Vision-language models (VLMs) can generate image-editing prompts from product images and metadata, but further improving their prompt-writing capabilities requires post-training with feedback from the generated images. Group Relative Policy Optimization (GRPO) is a natural framework for such outcome-level reward optimization. However, it assigns credit only at the full-prompt level, even though image quality often depends on specific design elements such as composition, background, and the presentation of selling points. Existing fine-grained credit assignment methods typically require step-level supervision or learned critics. To address this, we propose EAGLE-GRPO (Element-Aware Group Learning for E-Commerce Image Generation), which decomposes the group-centered reward over predefined elements. We cast element-level credit assignment as a kernel ridge regression problem and derive a closed-form solution, without additional rollouts or separate credit-assignment models. This yields interpretable per-element advantages and more precise policy updates. Experiments show that EAGLE-GRPO sustains performance gains over more training steps before plateauing and generates prompts that produce higher-quality e-commerce images than competitive VLM prompt-writing baselines.
• Abstract（参考訳）: 画像生成と編集の最近の進歩は、電子商取引のクリエーターにとって、迅速な品質が重要なボトルネックとなっている。 ビジョン言語モデル(VLM)は、製品イメージとメタデータから画像編集プロンプトを生成することができるが、さらにプロンプト書き込み機能を改善するには、生成したイメージからのフィードバックで後処理が必要である。 グループ相対政策最適化(GRPO)は、このような結果レベルの報酬最適化のための自然なフレームワークである。 しかし、画像の品質は、構成、背景、販売ポイントの提示など、特定のデザイン要素に依存することが多いにもかかわらず、フルプロンプトレベルでのみクレジットを割り当てる。 既存のきめ細かいクレジット割り当て方法は、通常、ステップレベルの監督または学習した批評家を必要とします。 そこで我々は,EAGLE-GRPO (Element-Aware Group Learning for E-Commerce Image Generation)を提案する。 我々は、カーネルリッジ回帰問題として要素レベルクレジット割り当てをキャストし、追加のロールアウトや個別のクレジット割り当てモデルなしでクローズドフォームソリューションを導出する。 これにより、要素ごとのメリットとより正確なポリシー更新が解釈可能になります。 実験の結果,ERGLE-GRPOは,高画質な電子商取引画像を生成するプロンプトを,競争力のあるVLMプロンプトライティングベースラインよりも高い精度で生成する。

関連論文リスト

• Sketch Then Paint: Hierarchical Reinforcement Learning for Diffusion Multi-Modal Large Language Models [52.40742159500277]
  強化学習(RL)を通して拡散多モード大言語モデル(dMLLM)を最適化する方法を示す。 弊社のアプローチでは、Sketch-Then-Paintトレーニングスキームにより、アップデートをグローバル、構造、洗練の3つのステージに編成する。 MMaDAとLumina-DiMOOの2つの人気のあるdMLLMバックボーンを用いた実験は、GenEvalとDPGのベンチマークで大幅に向上した。
  論文  参考訳（メタデータ） (2026-05-16T06:59:54Z)
• ICG: Improving Cover Image Generation via MLLM-based Prompting and Personalized Preference Alignment [70.19758313256503]
  我々は、MLLMベースのプロンプトとパーソナライズされた嗜好アライメントを統合し、文脈に関連のあるカバーを生成するフレームワークであるICGを提案する。 ICGは、アイテムタイトルとメタトークンを介して参照画像からセマンティックな特徴を抽出し、ユーザ埋め込みによってそれらを洗練し、結果としてパーソナライズされたコンテキストを拡散モデルに注入する。 実験により、ICGは画像の品質、セマンティックな忠実度、パーソナライゼーションを著しく改善し、ユーザの魅力とオフラインレコメンデーションの精度が向上することが示された。
  論文  参考訳（メタデータ） (2026-04-08T06:36:54Z)
• Image-POSER: Reflective RL for Multi-Expert Image Generation and Editing [16.943575863059607]
  Image-POSERは、事前訓練されたテキスト・ツー・イメージの専門家とイメージ・ツー・イメージの専門家の多様なレジストリをオーケストレーションする。 動的タスクの分解を通じて、エンドツーエンドのプロンプトを処理します。 人間の評価において常に好まれる。
  論文  参考訳（メタデータ） (2025-11-15T03:15:34Z)
• Bridging Modality Gaps in e-Commerce Products via Vision-Language Alignment [15.068156309599662]
  我々は、画像から高品質な項目記述を生成するために、リスト作成のための好みベースのAI(OPAL)を提案する。 OPALは視覚的モダリティとテキスト的モダリティのギャップを埋め、より豊かで、より正確で、一貫性のあるアイテム記述を提供する。 この作業は自動リスティング最適化を推進し、eコマースプラットフォームにおけるスケーラブルで高品質なコンテンツ生成をサポートする。
  論文  参考訳（メタデータ） (2025-08-13T18:22:53Z)
• CAL-RAG: Retrieval-Augmented Multi-Agent Generation for Content-Aware Layout Design [6.830055289299306]
  CAL-RAGは、コンテンツ対応レイアウト生成のための検索拡張エージェントフレームワークである。 我々は、LangGraphを使ってフレームワークを実装し、セマンティック変数に富んだベンチマークで評価する。 その結果,検索強化とエージェント的多段階推論を組み合わせることで,拡張性,解釈性,高忠実度な解が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-27T06:09:56Z)
• Policy Optimized Text-to-Image Pipeline Design [73.9633527029941]
  本稿では,テキスト・ツー・イメージ生成のための新しい強化学習フレームワークを提案する。 提案手法は、まず、画像品質のスコアをインタプリタ-ワークフローの組み合わせから直接予測できる報奨モデルのアンサンブルを訓練する。 次に、最初の語彙学習とGRPOに基づく最適化という2段階のトレーニング戦略を実装した。
  論文  参考訳（メタデータ） (2025-05-27T17:50:47Z)
• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• Ranking-aware adapter for text-driven image ordering with CLIP [76.80965830448781]
  本稿では,CLIPモデルを学習からランクへのタスクに再構成する,効率的かつ効率的な手法を提案する。 我々のアプローチは、ランキングの目的のために新しい指示に適応するための学習可能なプロンプトを取り入れている。 私たちのランキングアウェアアダプタは、様々なタスクにおいて微調整されたCLIPよりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-09T18:51:05Z)
• Automatic Generation of Product-Image Sequence in E-commerce [46.06263129000091]
  MUIsC(Multi-modality Unified Imagesequence)は、ルール違反を学習することで、すべてのカテゴリを同時に検出できる。 2021年12月までに、当社の AGPIS フレームワークは、約150万製品の高規格画像を生成し、13.6%の拒絶率を達成した。
  論文  参考訳（メタデータ） (2022-06-26T23:38:42Z)

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。