Fugu-MT 論文翻訳(概要): InsertFuse: A Unified Framework for Multi-Category Reference-Guided Image Insertion

論文の概要: InsertFuse: A Unified Framework for Multi-Category Reference-Guided Image Insertion

arxiv url: http://arxiv.org/abs/2608.06490v1
Date: Thu, 06 Aug 2026 18:30:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-10 16:21:25.263012
Title: InsertFuse: A Unified Framework for Multi-Category Reference-Guided Image Insertion
Title（参考訳）: InsertFuse: マルチカテゴリ参照型イメージ挿入のための統一フレームワーク
Abstract要約: マルチカテゴリ参照誘導画像挿入のための統合フレームワークInsertFuseを提案する。最初は、さまざまな挿入カテゴリーの専門家を訓練し、その後、インサーション・オン・ポリシィ蒸留(IOPD)を導入して、その能力を1人の学生にまとめる。 IOPDは、直接関節トレーニングによるカテゴリー間干渉を緩和しながら、カテゴリー別挿入行動を保持する。
参考スコア（独自算出の注目度）: 12.266972793373833
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present InsertFuse, a unified framework for multi-category reference-guided image insertion. Its key idea is to decouple category-specific expertise learning from cross-category capability consolidation. InsertFuse first trains specialized experts for different insertion categories and then introduces Insertion On-Policy Distillation (IOPD) to consolidate their capabilities into a single student. By querying the matched expert at states visited by the student, IOPD preserves category-specific insertion behavior while mitigating the cross-category interference caused by direct joint training. To improve spatial control, we propose Token-Aligned Geometry Conditioning (TAGC), which maps mask-derived geometric cues to the visual token grid, and Region-Balanced Flow Matching, which separately normalizes prediction errors inside and outside the insertion region to prevent background-dominated and scale-dependent supervision. We further introduce Reference CFG to isolate and strengthen the guidance induced by the visual reference under fixed scene and geometry conditions, with IOPD transferring this enhanced supervision into the unified student. Extensive experiments on the public AnyInsertion benchmark and our multi-category test set demonstrate state-of-the-art performance on most metrics, showing strong reference fidelity and generation quality across diverse insertion categories.
Abstract（参考訳）: マルチカテゴリ参照誘導画像挿入のための統合フレームワークInsertFuseを提案する。その鍵となる考え方は、カテゴリ固有の専門知識を、カテゴリ間の機能統合から切り離すことである。 InsertFuseはまず、異なる挿入カテゴリーの専門家を訓練し、その後、インサーション・オン・ポリシィ蒸留(IOPD)を導入して、その能力を1人の学生にまとめる。学生が訪れた州でマッチした専門家に問い合わせることで、IOPDは、直接関節トレーニングによるカテゴリー間干渉を緩和しながら、カテゴリー固有の挿入行動を保存する。空間制御を改善するために,マスク由来の幾何学的手がかりを視覚的トークングリッドにマッピングするToken-Aligned Geometry Conditioning (TAGC) と,挿入領域内外の予測誤差を別々に正規化し,背景管理やスケール依存による監視を防止するRerea-Balanced Flow Matchingを提案する。さらに、固定されたシーンと幾何学的条件下で視覚的参照によって誘導される指導を分離し強化するために、参照CFGを導入し、IOPDは、この強化された監督を統一された学生に転送する。パブリックなAnyInsertionベンチマークとマルチカテゴリテストセットの大規模な実験は、ほとんどのメトリクスで最先端のパフォーマンスを示し、様々な挿入カテゴリで強い参照忠実度と生成品質を示している。

関連論文リスト

Primitive-Driven Compositional Forensic Visual Prompting for Open-World Face Anti-Spoofing [59.765442274924595]
視覚的特徴空間で完全に機能する合成視覚的プロンプト学習フレームワークを提案する。このフレームワークは、学習可能なマイクロ法医学的プリミティブの共有セットを局所的な法医学的エビデンスユニットに洗練するためにパッチ対応の注意を払っている。 9つのオープンワールドプロトコルの実験は、最先端のパフォーマンス、強力なクロスドメインの一般化、そして目に見えない攻撃への堅牢な適応を示す。
論文参考訳（メタデータ） (2026-08-18T04:18:08Z)
DAS-PMVC: A Framework for Partial Multi-View Clustering via Dual Alignment and Structure Enhancement [13.05750989297313]
本稿では、二重アライメントと構造拡張(DAS-PMVC)による部分的マルチビュークラスタリングのためのフレームワークを提案する。 DAS-PMVCには3つの部分がある: textbfanchor graph structure alignment, textbfstructure-enhanced feature learning, textbfa dual alignment strategy 各種データセットに対する実験結果から,DAS-PMVCフレームワークはクラスタリング性能において,既存の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2026-07-30T07:01:35Z)
Learning to Align Generative Appearance Priors for Fine-grained Image Retrieval [54.09324791167742]
GAPanは、カテゴリー予測から外観モデリングへの学習目標を再構成するアライメントネットワークである。 GAPanは、広く使われている細粒度ベンチマークと粗粒度ベンチマーク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） (2026-05-11T01:35:26Z)
TokenFormer: Unify the Multi-Field and Sequential Recommendation Worlds [17.505701673051405]
TokenFormerは、以下のイノベーションを取り入れた統合されたレコメンデーションアーキテクチャである。まず,ボトムフルト・トップ・スライディング(BFTS:Bottom-Full-Top-Sliding)アテンションスキームを導入する。第2に,非線形相互作用表現(NLIR)を導入し,一方の非線形乗算変換を隠れ状態に適用する。
論文参考訳（メタデータ） (2026-04-15T11:25:46Z)
SDVPT: Semantic-Driven Visual Prompt Tuning for Open-World Object Counting [70.49268117587562]
本稿では,トレーニングセットから未知のカテゴリに知識を伝達する,セマンティック駆動型ビジュアルプロンプトチューニングフレームワーク(SDVPT)を提案する。推論中,見知らぬカテゴリと訓練カテゴリのセマンティックな相関に基づいて,見つからないカテゴリの視覚的プロンプトを動的に合成する。
論文参考訳（メタデータ） (2025-04-24T09:31:08Z)
Orchestrating the Symphony of Prompt Distribution Learning for Human-Object Interaction Detection [24.381821663963898]
一般的なクエリ・トランスフォーマーアーキテクチャを用いたHuman-object Interaction (HOI)検出器は有望な性能を実現している。インタラクション・プロンプト・ディストリビュート・ラーニング(InterProDa)のアプローチを紹介する。提案手法は,ほとんどの変圧器を用いたHOI検出器に組み込むことができ,性能を著しく向上させることができる。
論文参考訳（メタデータ） (2024-12-11T16:18:17Z)
Beyond Mask: Rethinking Guidance Types in Few-shot Segmentation [67.35274834837064]
我々は、テキスト、マスク、ボックス、画像からのプロンプトを統合するユニバーサルビジョン言語フレームワーク(UniFSS)を開発した。 UniFSSは最先端の手法よりも優れています。
論文参考訳（メタデータ） (2024-07-16T08:41:01Z)
Learning disentangled representations for explainable chest X-ray classification using Dirichlet VAEs [68.73427163074015]
本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。 DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
論文参考訳（メタデータ） (2023-02-06T18:10:08Z)
Visual Boundary Knowledge Translation for Foreground Segmentation [57.32522585756404]
視覚境界知識を明示的に考慮したモデルの構築を試みており、未確認カテゴリのセグメンテーションにおけるトレーニングの労力を減らそうとしている。数十のラベル付きサンプルをガイダンスとして使うだけで、Trans-Netは完全な教師付きメソッドと同等のクローズな結果が得られる。
論文参考訳（メタデータ） (2021-08-01T07:10:25Z)
Category Contrast for Unsupervised Domain Adaptation in Visual Tasks [92.9990560760593]
本稿では,視覚的 UDA タスクのインスタンス識別に先立って,セマンティックな事前情報を導入した新しいカテゴリコントラスト手法(CaCo)を提案する。 CaCoは既存のUDAメソッドを補完し、半教師付き学習や教師なしモデル適応などの他の学習設定に一般化可能である。
論文参考訳（メタデータ） (2021-06-05T12:51:35Z)
D-LEMA: Deep Learning Ensembles from Multiple Annotations -- Application to Skin Lesion Segmentation [14.266037264648533]
画像に対するアノテーションの意見のコレクションを活用することは、ゴールド基準を推定する興味深い方法です。深層モデル学習時のアノテーションの不一致に対処する手法を提案する。
論文参考訳（メタデータ） (2020-12-14T01:51:22Z)

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。