論文の概要: MultiCompose: Multi-Concept Personalized Composition with Per-Subject Attribute Binding
- arxiv url: http://arxiv.org/abs/2608.03708v1
- Date: Tue, 04 Aug 2026 14:13:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.235319
- Title: MultiCompose: Multi-Concept Personalized Composition with Per-Subject Attribute Binding
- Title（参考訳）: マルチコンパス:多目的属性結合による多概念パーソナライズされた構成
- Abstract要約: MultiComposeは、マルチオブジェクト推論から概念ごとのパーソナライズを分離するコンポジションフレームワークである。
MSP-BenchはID(ID)、属性バインディング精度(BIND)、属性ミスアライメント(MIS)を共同で評価するベンチマークである。
実験により、MultiComposeは従来のメトリクスとMSP-Benchの両方で既存の手法より優れていることが示された。
- 参考スコア（独自算出の注目度）: 9.605365111072745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-image diffusion models enable personalization of specific visual concepts from a small number of reference images. However, generating a single image that contains multiple personalized subjects, each bound to user-specified attributes such as clothing, accessories, and held objects, remains largely unaddressed. Without explicit spatial constraints, concurrently activated concept checkpoints produce overlapping cross-attention responses, causing per-subject identity degradation and attribute misalignment. Moreover, no established benchmark jointly evaluates these two failure modes in the personalized multi-subject setting. We present MultiCompose, a composition framework that decouples per-concept personalization from multi-subject inference. A semantic preservation regularization maintains attribute binding capacity during fine-tuning, while a two-phase inference procedure automatically establishes subject layout and composes per-concept predictions through spatially exclusive masks. We further introduce MSP-Bench, a benchmark that jointly evaluates identity fidelity (ID), attribute binding accuracy (BIND), and attribute misalignment (MIS) through a dual-pathway protocol. Experiments show that MultiCompose outperforms existing methods on both conventional metrics and MSP-Bench, confirming the benchmark's ability to reveal failure modes that conventional metrics overlook. Code is available at https://github.com/I2-Multimedia-Lab/MultiCompose
- Abstract（参考訳）: テキストから画像への拡散モデルにより、少数の参照画像から特定の視覚概念をパーソナライズすることができる。
しかし、複数のパーソナライズされた被写体を含む単一の画像を生成し、それぞれが衣服、アクセサリー、保持物などのユーザー指定属性に結びついている。
明示的な空間的制約がなければ、同時に活性化される概念チェックポイントは、重複するクロスアテンション応答を生成し、オブジェクトごとのアイデンティティの劣化と属性の誤調整を引き起こす。
さらに、パーソナライズされたマルチオブジェクト設定において、これらの2つの障害モードを共同評価する確立されたベンチマークは存在しない。
マルチオブジェクト推論から概念ごとのパーソナライズを分離する構成フレームワークであるMultiComposeを提案する。
セマンティックな保存規則化は微調整中に属性結合能力を保ち、2相推論手順は自動的に主観的レイアウトを確立し、空間的に排他的なマスクを通して概念ごとの予測を構成する。
さらに、ID(ID)、属性バインディング精度(BIND)、属性ミスアライメント(MIS)をデュアルパスプロトコルを通じて共同で評価するベンチマークであるMSP-Benchを紹介する。
実験の結果、MultiComposeは従来のメトリクスとMSP-Benchの両方で既存のメソッドよりも優れており、ベンチマークが従来のメトリクスが見落としている障害モードを明らかにする能力を確認している。
コードはhttps://github.com/I2-Multimedia-Lab/MultiComposeで入手できる。
関連論文リスト
- UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation [65.53694602893042]
VLMエンコーディングの前にVTとVAE機能を融合した統合ビジュアルコンディショニングフレームワークを提案する。
2つのマルチ参照生成ベンチマークの実験により、UniCustomは主題の一貫性、命令従順、構成の忠実さを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-12T13:10:05Z) - MultiBind: A Benchmark for Attribute Misbinding in Multi-Subject Generation [30.628326435554182]
実写写真から構築したベンチマークであるMultiBindを紹介する。
この結果から,MultiBindは従来のリコンストラクション指標が欠落する結合障害を明らかにした。
論文 参考訳（メタデータ） (2026-03-23T12:54:36Z) - MS-CustomNet: Controllable Multi-Subject Customization with Hierarchical Relational Semantics [4.05356944557183]
マルチオブジェクトカスタマイズのための新しいフレームワークであるMS-CustomNetを紹介する。
MS-CustomNetは複数のユーザが提供するオブジェクトのゼロショット統合を可能にする。
DINO-Iスコアが0.61、YOLO-Lスコアが0.94となり、多目的カスタマイズタスクにおける位置制御が可能となった。
論文 参考訳（メタデータ） (2026-03-22T09:15:21Z) - Towards Generalized Multi-Image Editing for Unified Multimodal Models [56.620038824933566]
統一マルチモーダルモデル(UMM)は、マルチモーダル理解と生成を統合する。
UMMは、複数の入力画像にまたがる詳細を参照する場合、視覚的一貫性の維持と視覚的手がかりの曖昧さに制限される。
画像の同一性を明確に識別し、可変入力数に一般化するUMMのためのスケーラブルなマルチイメージ編集フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-09T06:42:49Z) - AnyMS: Bottom-up Attention Decoupling for Layout-guided and Training-free Multi-subject Customization [55.06425570300248]
我々はレイアウト誘導型マルチオブジェクトカスタマイズのためのトレーニングフリーフレームワークであるAnyMSを紹介する。
AnyMSはテキストプロンプト、主題画像、レイアウト制約という3つの入力条件を利用する。
AnyMSは最先端のパフォーマンスを達成し、複雑な構成をサポートし、より多くの課題にスケールする。
論文 参考訳（メタデータ） (2025-12-29T15:26:25Z) - Omni-Attribute: Open-vocabulary Attribute Encoder for Visual Concept Personalization [82.31106470150844]
我々はOmni-Attributeを紹介した。Omni-Attributeは、属性固有の表現を学習するための最初のオープン語彙画像属性エンコーダである。
我々は、生成的忠実度と対照的な非絡み合いのバランスをとる、二重目的学習パラダイムを使用する。
結果として得られる埋め込みは、オープン語彙属性の検索、パーソナライゼーション、合成生成に有効である。
論文 参考訳（メタデータ） (2025-12-11T18:59:56Z) - ContextGen: Contextual Layout Anchoring for Identity-Consistent Multi-Instance Generation [24.487453636504707]
マルチインスタンス生成のための新しいDiffusion TransformerフレームワークであるContextGenを紹介する。
ContextGenは、制御精度、アイデンティティの忠実度、全体的な視覚的品質において、既存の手法よりも優れた新しい最先端の手法を設定できることを示します。
論文 参考訳（メタデータ） (2025-10-13T04:21:19Z) - MMQ: Multimodal Mixture-of-Quantization Tokenization for Semantic ID Generation and User Behavioral Adaptation [16.81485354427923]
本稿では,新しいマルチモーダルトークンをトレーニングする2段階フレームワークであるMMQを提案する。
MMQは多モードのシナジー、特異性、行動適応を統一し、生成的検索と識別的ランキングタスクの両方にスケーラブルで汎用的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-08-21T06:15:49Z) - Pluralistic Salient Object Detection [108.74650817891984]
本稿では,与えられた入力画像に対して,複数の有意な有意な有意な有意な有意な有意な分割結果を生成することを目的とした新しい課題であるPSOD(multiistic Salient Object Detection)を紹介する。
新たに設計された評価指標とともに,2つのSODデータセット "DUTS-MM" と "DUS-MQ" を提案する。
論文 参考訳（メタデータ） (2024-09-04T01:38:37Z) - M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot
Fine-grained Action Recognition [80.21796574234287]
M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。
textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。
説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
論文 参考訳（メタデータ） (2023-08-06T09:15:14Z)
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。