論文の概要: NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts

• arxiv url: http://arxiv.org/abs/2608.04030v1
• Date: Sat, 01 Aug 2026 17:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.35743
• Title: NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts
• Title（参考訳）: 核拡散: 核エネルギー概念を学習するためのテキスト・画像基礎モデル
• Abstract要約: この研究は、オープンソース拡散モデルの微調整により、核テキスト・画像生成のためのドメイン適応に関する最初の体系的な研究の1つを示す。 我々は、原子炉、燃料サイクル、放射線、関連する概念にまたがる1000個の核エネルギー画像のデータセットをキュレートする。 我々は、SDXL(Stable Diffusion XL)、SD-v3.5-Medium(SD-v3.5-Medium)、フローマッチングFlux.1(Flux.1)の3つの最先端オープンソースモデルを微調整する。
• 参考スコア（独自算出の注目度）: 0.11083289076967894
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative artificial intelligence (AI) has transformed text-to-image synthesis, yet its ability to represent specialized engineering domains remains largely unexplored. As an exmaple in nuclear engineering, general-purpose foundation models frequently generate physically incorrect or conceptually inconsistent images because they lack domain-specific knowledge. This work presents one of the first systematic studies of domain adaptation for nuclear text-to-image generation through fine-tuning of open-source diffusion models. We curate a dataset of 1,000 captioned nuclear energy images spanning reactors, fuel cycles, radiation, and related concepts, and use it to fine-tune three state-of-the-art open-source models: Stable Diffusion XL (SDXL), SD-v3.5-Medium, and the flow-matching Flux.1 model. Their performance is evaluated using both quantitative image-similarity metrics and qualitative expert assessment against the corresponding zero-shot models. Fine-tuning substantially improves the fidelity of SDXL, provides only limited gains for SD-v3.5-Medium, and yields no measurable improvement for Flux.1, demonstrating that adaptation effectiveness depends strongly on the underlying generative architecture rather than model scale alone. We further compare the fine-tuned models against three leading commercial systems--GPT-Image-2, Gemini-3.1-Flash-Image, and Midjourney. Although GPT-Image-2 and Gemini generate convincing images for broad nuclear concepts, they frequently fail on specialized engineering prompts, where the fine-tuned open-source models produce more accurate and technically consistent outputs. These results establish domain-specific fine-tuning as a practical pathway for developing trustworthy generative AI tools for domain-specific applications.
• Abstract（参考訳）: 生成人工知能(AI)はテキストと画像の合成を変換してきたが、専門の工学領域を表現できる能力はほとんど解明されていない。 核工学の卓越した分野として、汎用ファンデーションモデルは、ドメイン固有の知識が欠如しているため、物理的に誤りまたは概念的に矛盾したイメージをしばしば生成する。 この研究は、オープンソース拡散モデルの微調整により、核テキスト・画像生成のためのドメイン適応に関する最初の体系的な研究の1つを示す。 我々は、原子炉、燃料サイクル、放射線、関連する概念にまたがる1,000個の核エネルギー画像のデータセットをキュレートし、それを3つの最先端オープンソースモデルであるSDXL(Stable Diffusion XL)、SD-v3.5-Medium(SD-v3.5-Medium)、フローマッチングFlux.1(Flux.1)の微調整に利用した。 それらの性能は、定量的な画像類似度測定と、対応するゼロショットモデルに対する定性的な専門家評価の両方を用いて評価される。 微調整によりSDXLの忠実度が大幅に向上し、SD-v3.5-Mediumの利得が制限され、Flux.1では測定可能な改善が得られず、適応性はモデルスケールのみではなく、基盤となる生成アーキテクチャに強く依存することを示した。 GPT-Image-2、Gemini-3.1-Flash-Image、Midjourneyの3つの主要な商用システムと比較した。 GPT-Image-2 と Gemini は幅広い核概念のための説得力のある画像を生成するが、細調整されたオープンソースモデルはより正確で技術的に一貫性のある出力を生成するため、特別なエンジニアリングプロンプトでしばしば失敗する。 これらの結果は、ドメイン固有のアプリケーションのための信頼できる生成AIツールを開発するための実践的な経路として、ドメイン固有の微調整を確立する。

関連論文リスト

• Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
  Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。 私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
  論文  参考訳（メタデータ） (2025-11-24T01:13:51Z)
• Single-Step Reconstruction-Free Anomaly Detection and Segmentation via Diffusion Models [1.1487074612765584]
  リアルタイム(RADAR)における注意に基づく拡散モデルを用いた再構成不要な異常検出手法を提案する。 RADARは再構成に基づく異常検出の限界を克服する。 実世界の3Dプリント材料とMVTec-ADデータセット上でRADARを評価する。
  論文  参考訳（メタデータ） (2025-08-06T18:56:08Z)
• 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)
• IMAGINE-E: Image Generation Intelligence Evaluation of State-of-the-art Text-to-Image Models [52.73820275861131]
  テキスト・トゥ・イメージ(T2I)モデルは非常に進歩しており、プロンプト追従と画像生成における印象的な能力を示している。 FLUX.1やIdeogram2.0といった最近のモデルでは、様々な複雑なタスクにおいて例外的な性能を示している。 本研究は,T2Iモデルが汎用ユーザビリティに進化する過程における現状と今後の軌道に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-01-23T18:58:33Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Kandinsky: an Improved Text-to-Image Synthesis with Image Prior and Latent Diffusion [50.59261592343479]
  本稿では、潜伏拡散アーキテクチャの新しい探索であるKandinsky1を紹介する。 提案したモデルは、CLIPのイメージ埋め込みにテキスト埋め込みをマッピングするために別々に訓練されている。 また,テキスト・ツー・イメージ生成,画像融合,テキスト・画像融合,画像のバリエーション生成,テキスト・インペイント/アウトペイントなど,多様な生成モードをサポートするユーザフレンドリーなデモシステムも展開した。
  論文  参考訳（メタデータ） (2023-10-05T12:29:41Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• Improving Few-shot Image Generation by Structural Discrimination and Textural Modulation [10.389698647141296]
  画像生成の目的は、このカテゴリからいくつかの画像が与えられた場合、あるカテゴリに対して可塑性で多様な画像を生成することである。 既存のアプローチでは、異なる画像をグローバルに補間するか、事前に定義された係数で局所表現を融合する。 本稿では,内部局所表現に外部意味信号を注入する新しいメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-08-30T16:10:21Z)
• Trade-offs in Fine-tuned Diffusion Models Between Accuracy and Interpretability [5.865936619867771]
  生成拡散モデルにおける従来の計測値とモデル解釈可能性による画像の忠実度との間に連続的なトレードオフが生じる。 我々は、真に解釈可能な生成モデルを開発するための設計原則のセットを提示する。
  論文  参考訳（メタデータ） (2023-03-31T09:11:26Z)

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。