論文の概要: PixelControl: Fine-Grained Condition Fidelity in Text-to-Image Diffusion
- arxiv url: http://arxiv.org/abs/2608.15705v1
- Date: Sun, 16 Aug 2026 12:16:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.397379
- Title: PixelControl: Fine-Grained Condition Fidelity in Text-to-Image Diffusion
- Title（参考訳）: PixelControl: テキスト・画像拡散における微細粒状条件の忠実度
- Abstract要約: PixelControlは、微細な条件忠実度のためのピクセル空間制御可能な拡散フレームワークである。
深度、セグメンテーション、エッジ、および軽量ゲート融合によるモダリティ固有の制御ブランチによるそれらの組み合わせをサポートする。
実験によると、PixelControlは既存の制御可能な生成方法よりも構造的忠実度と視覚的品質を向上させる。
- 参考スコア（独自算出の注目度）: 26.881929542995675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Controllable text-to-image diffusion models can often follow the global layout of spatial conditions, yet still violate fine-grained structures such as object boundaries, thin contours, and medium/small conditioned regions. This limitation is especially problematic for VAE-based latent diffusion, where spatial compression can weaken high-frequency and low-area condition signals. We propose PixelControl, a pixel-space controllable diffusion framework for fine-grained condition fidelity. Built on a PixelDiT-style backbone, PixelControl avoids the latent bottleneck and introduces two complementary designs. First, Structure-Aware Control Injection derives a condition structure map and uses it to strengthen injected control residuals around spatially sensitive regions. Second, Multi-Scale Pyramid Cycle Loss verifies generated images against condition-derived structures across multiple resolutions, balancing global layout consistency with local boundary and detail accuracy. PixelControl supports depth, segmentation, edge, and their combinations through modality-specific control branches with lightweight gated fusion. Experiments across depth, segmentation, and edge control show that PixelControl improves structural fidelity and visual quality over existing controllable generation methods, with especially strong gains on boundaries and medium/small conditioned regions. The project page can be found at: https://linxin0.github.io/pixelcontrol_homepage/pixelcontrol-site/
- Abstract（参考訳）: 制御可能なテキスト・ツー・イメージ拡散モデルは、しばしば空間条件のグローバルなレイアウトに従うが、オブジェクト境界、細い輪郭、中小条件領域などのきめ細かい構造には違反する。
この制限は、空間圧縮が高周波および低領域条件信号を弱めるVAEベースの潜伏拡散において特に問題となる。
微細な条件忠実度を実現するための画素空間制御可能な拡散フレームワークであるPixelControlを提案する。
PixelDiTスタイルのバックボーン上に構築されたPixelControlは、潜伏するボトルネックを避け、2つの補完的な設計を導入する。
まず、構造認識制御インジェクション(Structure-Aware Control Injection)が条件構造マップを導出し、空間的に敏感な領域の周囲に注入された制御残基を強化する。
第二に、マルチスケールピラミッドサイクル損失(Multi-Scale Pyramid Cycle Loss)は、複数の解像度にわたる条件付き構造に対して生成した画像を検証し、グローバルなレイアウト整合性と局所境界と詳細精度のバランスをとる。
PixelControlは、奥行き、セグメンテーション、エッジ、およびそれらの組み合わせをサポートする。
深度、セグメンテーション、エッジコントロールによる実験では、PixelControlは既存の制御可能な生成方法よりも構造的忠実度と視覚的品質を向上し、特に境界や中小条件領域に強い利益をもたらしている。
プロジェクトページは以下の通りである。 https://linxin0.github.io/pixelcontrol_homepage/pixelcontrol-site/
関連論文リスト
- PXDepth: Pixel-Space Modeling for Structure Preserving Monocular Depth Estimation [102.98521307122452]
PXDepthは,画素レベルの深度予測から大域的コンテキストモデリングを分離する識別単眼深度モデルである。
具体的には、大容量のViTがグローバルシーンコンテキストをキャプチャし、Context-Modulated Pixel Transformerブロックからなる画素空間予測器が高解像度空間表現を保持する。
この設計は、世界深度一貫性を犠牲にすることなく、微細な構造と鋭い境界を保っている。
論文 参考訳（メタデータ） (2026-08-17T18:00:02Z) - ControlRef: Efficient Layout-Guided Multi-Instance Generation via Anchored 4D-RoPE [10.898678444234916]
ControlRefは、非常に効率的で正確なマルチインスタンス合成フレームワークである。
トークンを絶対中心に固定することで、Anchored 4D-RoPEは空間的先行を保ち、空間的周波の妥協を損失なく緩和する。
実験によると、ControlRefは最先端の視覚的忠実度とローカライズ精度を達成しつつ、スパースレイアウトでは推論遅延を80%以上削減し、密集したシナリオではメモリオーバーヘッドを50%削減する。
論文 参考訳（メタデータ） (2026-08-07T07:05:25Z) - Histogram-constrained Image Generation [2.8568424450797596]
ヒストグラム制約画像生成(HIG)は制御粒度の中間に落ちる新しい制御機構である。
我々のフレームワークは、正確な精度で生成プロセス中に、ユーザ特定分布制約(例えば、カラーヒストグラムや潜在トークン分布)を強制する。
本研究は,既存の制御機構と完全に互換性のあるフレキシブルかつ解釈可能な制御方式である分散制御の可能性を裏付けるものである。
論文 参考訳（メタデータ） (2026-06-30T13:58:56Z) - StructDiff: A Structure-Preserving and Spatially Controllable Diffusion Model for Single-Image Generation [72.84181869780627]
StructDiffは、単一画像生成のための単一スケール拡散モデルに基づく生成フレームワークである。
3次元位置符号化(PE)を空間的先行として組み込んでおり、生成されたオブジェクトの位置、スケール、局所的な詳細を柔軟に制御することができる。
また、テキスト誘導画像生成、画像編集、アウトペインティング、ペイント・ツー・イメージ合成など、下流タスクにも幅広い適用性を示す。
論文 参考訳（メタデータ） (2026-04-14T10:55:43Z) - PixelPonder: Dynamic Patch Adaptation for Enhanced Multi-Conditional Text-to-Image Generation [24.964136963713102]
単一制御構造下で複数の視覚条件を効果的に制御できる新しい統一制御フレームワークであるPixelPonderを提案する。
具体的には、サブリージョンレベルで空間的に関連する制御信号を動的に優先順位付けするパッチレベル適応条件選択機構を設計する。
大規模な実験では、PixelPonderがさまざまなベンチマークデータセットにまたがる従来のメソッドを上回ることが示されている。
論文 参考訳（メタデータ） (2025-03-09T16:27:02Z) - $\infty$-Brush: Controllable Large Image Synthesis with Diffusion Models in Infinite Dimensions [58.42011190989414]
無限次元における新しい条件拡散モデル、制御可能な大画像合成のための$infty$-Brushを導入する。
我々の知る限り、$infty$-Brushは関数空間における最初の条件拡散モデルであり、最大4096times4096$ピクセルの任意の解像度で画像を制御できる。
論文 参考訳（メタデータ） (2024-07-20T00:04:49Z) - Uni-ControlNet: All-in-One Control to Text-to-Image Diffusion Models [82.19740045010435]
ローカルコントロールとグローバルコントロールの同時利用を可能にする統合フレームワークであるUni-ControlNetを紹介した。
既存の方法とは異なり、Uni-ControlNetは、凍結した事前訓練されたテキスト-画像拡散モデル上に2つのアダプタを微調整するだけでよい。
Uni-ControlNetは、制御性、生成品質、構成性の観点から、既存のメソッドよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-25T17:59:58Z) - Harnessing the Spatial-Temporal Attention of Diffusion Models for
High-Fidelity Text-to-Image Synthesis [59.10787643285506]
拡散に基づくモデルは、テキストと画像の合成タスクで最先端のパフォーマンスを達成した。
これらのモデルの1つの重要な制限は、テキスト記述に関して生成された画像の忠実度が低いことである。
本研究では,拡散モデルにおける空間的時間的相互アテンションを明示的に制御する新しいテキスト・ツー・イメージアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-07T23:49:34Z) - Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。
まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。
本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
論文 参考訳（メタデータ） (2023-02-16T10:40:55Z)
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。