論文の概要: RankT2I: A Submodular Framework for Discovering Interpretable and Diverse Semantics in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2608.14226v1
• Date: Fri, 14 Aug 2026 11:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.371765
• Title: RankT2I: A Submodular Framework for Discovering Interpretable and Diverse Semantics in Text-to-Image Models
• Title（参考訳）: RankT2I: テキスト・画像モデルにおける解釈的・拡散的意味論の発見のためのサブモジュラー・フレームワーク
• Abstract要約: RankT2Iは拡散とFLUXベースのモデルにおける編集可能なセマンティクスの発見を自動化するフレームワークである。 まず、多モーダル視覚言語モデルを用いて、候補セマンティクスの幅広い集合を収集する。 次に、セマンティック発見を集合選択問題としてフレーム化して、関連性、編集性、多様性のあるセマンティックスを特定する。
• 参考スコア（独自算出の注目度）: 12.655894508259344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in text-to-image (T2I) models have revolutionized the field of image generation and editing. However, identifying semantics that a T2I model can successfully edit in an image continues to be a challenging task. Most existing approaches require users to manually specify semantics to modify a particular image, a time-consuming process that often involves extensive trial and error. In this paper, we present RankT2I, a novel, training-free, and model-agnostic framework that automates the discovery of editable semantics in diffusion and FLUX-based models. Given a visual domain, we first utilize a multimodal vision-language model to gather a broad set of candidate semantics. We then frame semantic discovery as a set selection problem and use a submodular objective to identify semantics that are relevant, editable, and diverse. Our method helps users efficiently identify a wide range of semantics for text-to-image editing models across several domains while outperforming existing methods.
• Abstract（参考訳）: テキスト・ツー・イメージ(T2I)モデルの最近の進歩は、画像生成と編集の分野に革命をもたらした。 しかし、画像中のT2Iモデルが正常に編集できるセマンティクスを特定することは、依然として難しい課題である。 既存のほとんどのアプローチでは、ユーザが特定のイメージを修正するために手動でセマンティクスを指定する必要がある。 本稿では,拡散モデルとFLUXモデルにおける編集可能なセマンティクスの発見を自動化する新しい,トレーニング不要で,モデルに依存しないフレームワークである RankT2I を提案する。 視覚領域が与えられた場合、まず多モーダル視覚言語モデルを用いて、候補セマンティクスの幅広い集合を収集する。 次に、セマンティック発見を集合選択問題としてフレーム化して、関連性、編集性、多様性のあるセマンティックスを特定する。 提案手法は,複数のドメインにわたるテキスト・画像編集モデルの多種多様なセマンティクスを効率よく識別し,既存手法より優れている。

関連論文リスト

• Multimodal Large Language Models for Multi-Subject In-Context Image Generation [56.20395856287325]
  音楽は、textbfMUlti-textbfSubject textbfIn-textbfContextイメージ生成用に特別に設計された最初のMLLMである。 我々は,視覚連鎖機構による多目的意味関係の理解を深める。 訓練中に複雑な被写体画像を取り込むことで,連鎖推論におけるモデルの能力を向上させる。
  論文  参考訳（メタデータ） (2026-04-08T15:37:42Z)
• Instructing Text-to-Image Diffusion Models via Classifier-Guided Semantic Optimization [48.38187112651368]
  本稿では,属性分類器によって導かれるセマンティック埋め込みを最適化し,テキストと画像のモデルを所望の編集に向けて操る手法を提案する。 本手法は,データ領域にまたがる高レベルの絡み合いと強い一般化を実現する。
  論文  参考訳（メタデータ） (2025-05-20T12:07:01Z)
• EditAR: Unified Conditional Generation with Autoregressive Models [58.093860528672735]
  本稿では,条件付き画像生成タスクのための単一の統合自己回帰フレームワークであるEditARを提案する。 このモデルは、画像と命令の両方を入力として取り、バニラの次のパラダイムで編集された画像トークンを予測する。 確立されたベンチマークにおいて,様々なタスクにまたがる実効性を評価し,様々なタスク固有の手法に対する競争性能を示す。
  論文  参考訳（メタデータ） (2025-01-08T18:59:35Z)
• ReEdit: Multimodal Exemplar-Based Image Editing with Diffusion Models [11.830273909934688]
  最新のテキスト・ツー・イメージ(T2I)拡散モデルでは、高品質な画像を生成することで画像編集に革命をもたらした。 テキストと画像のモダリティの両方で編集をキャプチャする,モジュール的で効率的なエンドツーエンドフレームワークであるReEditを提案する。 以上の結果から,ReEditは定性的かつ定量的に現代的アプローチを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2024-11-06T15:19:24Z)
• FUSE-ing Language Models: Zero-Shot Adapter Discovery for Prompt Optimization Across Tokenizers [55.2480439325792]
  FUSEは、あるモデルのテキスト埋め込み空間から別のモデルへのマッピングを行うアダプタ層を、異なるトークン化器にまたがっても近似するアプローチである。 画像キャプションと感情に基づく画像キャプションのための視覚言語モデルと因果言語モデルに対する多目的最適化によるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-09T02:16:37Z)
• A Survey of Multimodal-Guided Image Editing with Text-to-Image Diffusion Models [117.77807994397784]
  画像編集は、ユーザーが特定の要求を満たすために、与えられた合成画像または実際の画像を編集することを目的としている。 この分野での最近の顕著な進歩は、テキスト・ツー・イメージ(T2I)拡散モデルの開発に基づいている。 T2Iベースの画像編集手法は、編集性能を大幅に向上させ、マルチモーダル入力でガイドされたコンテンツを修正するためのユーザフレンドリーなインタフェースを提供する。
  論文  参考訳（メタデータ） (2024-06-20T17:58:52Z)
• DreamMatcher: Appearance Matching Self-Attention for Semantically-Consistent Text-to-Image Personalization [31.960807999301196]
  本稿では,T2Iパーソナライゼーションをセマンティックマッチングとして再構成するDreamMatcherという新しいプラグイン手法を提案する。 具体的には、DreamMatcherはターゲットの値をセマンティックマッチングで整列された参照値に置き換えるが、構造パスは変わらない。 また、ターゲットプロンプトによって導入された無関係領域からパーソナライズされた概念を分離するための意味一貫性マスキング戦略を導入する。
  論文  参考訳（メタデータ） (2024-02-15T09:21:16Z)
• DreamDistribution: Learning Prompt Distribution for Diverse In-distribution Generation [51.24734569887687]
  本稿では,事前学習したT2I拡散モデルを用いて,ソフトプロンプトの集合を学習する解を提案する。 これらのプロンプトは、テキストガイドによる編集機能と、複数のディストリビューション間の変動と混合を制御する柔軟性を提供する。 また,テキスト・トゥ・3Dなどの他のタスクに対して,学習したプロンプト分布の適応性を示す。
  論文  参考訳（メタデータ） (2023-12-21T12:11:00Z)
• User-Aware Prefix-Tuning is a Good Learner for Personalized Image Captioning [35.211749514733846]
  従来の画像キャプション方式は、ユーザの好みや特徴を無視することが多い。 既存のほとんどの手法は、メモリネットワークやトランスフォーマーによるユーザコンテキストの融合プロセスを強調している。 本稿では,ユーザコンテキストを利用したパーソナライズされた画像キャプションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-08T02:08:00Z)
• Text as Neural Operator: Image Manipulation by Text Instruction [68.53181621741632]
  本稿では、複雑なテキスト命令を用いて複数のオブジェクトで画像を編集し、オブジェクトの追加、削除、変更を可能にする設定について検討する。 タスクの入力は、(1)参照画像を含むマルチモーダルであり、(2)所望の修正を記述した自然言語の命令である。 提案モデルは,最近の3つの公開データセットの強いベースラインに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T07:07:10Z)

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。