論文の概要: RRFC: Recursive Refinement via Feedback Conditioning for Iterative Image-to-Image Generation
- arxiv url: http://arxiv.org/abs/2608.15694v1
- Date: Sun, 16 Aug 2026 11:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.394555
- Title: RRFC: Recursive Refinement via Feedback Conditioning for Iterative Image-to-Image Generation
- Title（参考訳）: RRFC: 反復画像-画像生成のためのフィードバック条件による再帰的リファインメント
- Abstract要約: 条件付きイメージ・ツー・イメージジェネレータはシングルショットであり、入力特徴を1つのフォワードパスの出力にマップし、それをファイナルとして扱う。
本稿では,反復的出力改善のための新しいフィードバック条件フレームワークであるRecursive Refinement via Feedback Conditioning (RRFC)を提案する。
RRFCは、新しい信号、すなわち最新の予測を条件にすることで、その出力を適応的に修正するようにモデルに教える。
- 参考スコア（独自算出の注目度）: 0.300988853836121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conditional image-to-image generators are single-shot: they map input features to an output in one forward pass and treat it as final, with no opportunity to improve on it. Although trained to produce the best possible result in one step, such a model leaves room for improvement if it can adaptively revise its own output over iterations. We propose Recursive Refinement via Feedback Conditioning (RRFC), a novel feedback-conditioning framework for iterative output refinement that teaches a model to adaptively revise its output by conditioning on a new signal, namely its most recent previous prediction, which is fed back as an auxiliary set of channels alongside the original input. This preserves the generator's core architecture while modifying its conditioning interface and, depending on the model family, its training or inference procedure, so RRFC can be attached to existing generators without redesign. We evaluate RRFC across six baselines spanning adversarial, equilibrium, and diffusion-based models and three paired image-to-image translation tasks. Across 18 architecture-task settings, RRFC yields seven Holm-corrected improvements, seven degradations, and four non-significant changes. The gains concentrate on reconstruction-fidelity and identity settings, while five of the seven degradations fall on the single semantic-layout task, where every model declines. These results indicate that feedback-based refinement helps when its objective overlaps with the evaluated property, and that its gains concentrate on the tasks where that overlap holds.
- Abstract（参考訳）: 条件付きイメージ・ツー・イメージジェネレータはシングルショットで、入力機能を1つのフォワードパスで出力にマップし、それをファイナルとして扱う。
1ステップで可能な限り最高の結果を生み出すように訓練されているが、そのようなモデルは、反復して自身のアウトプットを適応的に修正できるような改善の余地を残している。
フィードバック条件付き再帰的リファインメント(Recursive Refinement via Feedback Conditioning, RRFC)は、モデルに新しい信号、すなわち、元の入力と共にチャネルの補助セットとして送り返される最新の予測を条件に、その出力を適応的にリファインダライズするよう指示する、反復的出力改善のための新しいフィードバック条件フレームワークである。
これにより、コンディショニングインターフェースを変更しながらジェネレータのコアアーキテクチャを保持し、モデルファミリやトレーニングや推論手順に依存するため、RRFCは再設計することなく既存のジェネレータにアタッチできる。
対角線,平衡線,拡散線モデルにまたがる6つのベースラインにまたがるRRFCと3つの画像対画像変換タスクを評価した。
18のアーキテクチャタスク設定で、RRFCは7つのホルム補正された改善、7つの劣化、そして4つの重要な変更をもたらす。
7つの劣化のうち5つは、すべてのモデルが減少する単一のセマンティックレイアウトタスクに該当する。
これらの結果から, 目的が評価された特性と重なり合う場合に, フィードバックに基づく改善が有効であること, 重なり合うタスクに集中できることが示唆された。
関連論文リスト
- Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。
本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文 参考訳（メタデータ） (2026-06-21T12:14:11Z) - BA-T: An Iterative Transformer for Two-View Bundle Adjustment [53.16990349592508]
暗黙のトークン空間における繰り返し可能なレイヤとして,BAスタイルの構造化更新を実装した反復変換器であるBA-Tを提案する。
実験により、BA-Tは反復間におけるポーズと再構成の精度を徐々に改善することが示された。
BA-Tは、奥行き重心に対するコンパクトで効率的で構造的な代替手段を提供し、軽量アーキテクチャ内で正確な3D再構成を可能にする。
論文 参考訳（メタデータ） (2026-06-02T07:51:14Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Align & Invert: Solving Inverse Problems with Diffusion and Flow-based Models via Representational Alignment [13.028121107802127]
逆問題では、事前訓練された生成モデルが先行として使用される。
本稿では,拡散モデルとフローベースモデル間の表現アライメント(REPA)を適用することを提案する。
モデル表現と近似的対象特徴との整合性は、再構成の忠実度と知覚的リアリズムを大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2025-11-21T00:37:04Z) - Adaptive 3D Reconstruction via Diffusion Priors and Forward Curvature-Matching Likelihood Updates [1.2425910171551517]
画像から高品質な点雲を再構築することは、コンピュータビジョンでは依然として難しい。
近年の拡散法は, 事前モデルと可能性更新を組み合わせることでこの問題に対処している。
我々は,新しいFCM (Forward Curvature-Matching) 更新手法と拡散サンプリングを組み合わせることで,このアプローチを推し進める。
論文 参考訳（メタデータ） (2025-11-09T10:14:14Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Progressive Fine-to-Coarse Reconstruction for Accurate Low-Bit Post-Training Quantization in Vision Transformers [13.316135182889296]
後トレーニング量子化(PTQ)は視覚変換器(ViT)の圧縮に広く採用されている。
低ビット表現に量子化されると、完全精度の表現に比べて大きな性能低下がしばしば起こる。
低ビット量子化ビジョントランスの性能を大幅に向上させるPFCR法を提案する。
論文 参考訳（メタデータ） (2024-12-19T08:38:59Z) - Parameter Efficient Adaptation for Image Restoration with Heterogeneous Mixture-of-Experts [52.39959535724677]
画像復元モデルの一般化を改善するための代替手法を提案する。
ローカル,グローバル,チャネル表現ベースをキャプチャするマルチブランチ設計のMixture-of-Experts (MoE) であるAdaptIRを提案する。
我々のAdaptIRは、単一劣化タスクにおける安定した性能を実現し、8時間間、微調整はわずか0.6%のパラメータしか持たず、ハイブリッド劣化タスクにおいて優れる。
論文 参考訳（メタデータ） (2023-12-12T14:27:59Z) - Cycle Encoding of a StyleGAN Encoder for Improved Reconstruction and
Editability [76.6724135757723]
GANインバージョンは、事前訓練されたGANの潜在空間に入力イメージを反転させることを目的としている。
GANの逆転の最近の進歩にもかかわらず、歪みと編集性の間のトレードオフを軽減するための課題は残されている。
本稿では、まず入力画像をピボットコードと呼ばれる潜在コードに反転させ、次に、入力画像を正確にピボットコードにマッピングできるようにジェネレータを変更する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2022-07-19T16:10:16Z) - Toward Interactive Modulation for Photo-Realistic Image Restoration [16.610981587637102]
画像復元レベルの調整は、復元強度を表す因子を変更して復元画像を生成することを目指しています。
本稿では、変調タスクで高周波テクスチャを生成する制御可能なUnetGenerative Adversarial Network (CUGAN)を提案する。
論文 参考訳（メタデータ） (2021-05-07T07:05:56Z)
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。