論文の概要: From Corpora to Co-Evolving Capabilities: Capability-Centric Data Design for Generalist Image Generation
- arxiv url: http://arxiv.org/abs/2608.18076v2
- Date: Tue, 25 Aug 2026 10:09:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:33.679392
- Title: From Corpora to Co-Evolving Capabilities: Capability-Centric Data Design for Generalist Image Generation
- Title（参考訳）: コーパスからコ進化能力へ:一般画像生成のための能力中心データ設計
- Abstract要約: 大規模な画像生成は、データスケール、品質、再バランス、再カプセル化の進歩の恩恵を受けているが、従来のパイプラインは通常、タスク固有のデータセットを分離して最適化する。
本稿では,機能に特有な監視構築と,機能に整合したカリキュラムスケジューリングを併用した,テキスト機能駆動型データ基盤を提案する。
このフレームワークは4億4000万イメージのT2Iコーパス、120万の編集ペア、2700万以上の画像エンタリティペアをキュレートする。
- 参考スコア（独自算出の注目度）: 22.386044581413316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale image generation has benefited from advances in data scale, quality, rebalancing, and recaptioning, yet conventional pipelines typically optimize task-specific datasets in isolation. A central challenge is not only how to curate each task-specific corpus, but also how to organize heterogeneous supervision according to the dependencies among generative capabilities. We present a \textbf{capability-driven data infrastructure} that couples capability-specific supervision construction with capability-aligned curriculum scheduling. Its three specialized yet interoperable data engines build complementary relational supervision for text-image grounding, inter-image transformation, and image-knowledge association, while caption experts align T2I and editing supervision across tasks and granularities. A multi-stage curriculum jointly evolves task composition, visual-concept distribution, data quality, and image resolution along the dependency order of capability acquisition, with capability-aware evaluation closing the loop through targeted retrieval, expert construction, and gap-aware resampling. At scale, the framework curates a 440M-image T2I corpus, 120M editing pairs, and over 27M image-entity pairs. With this infrastructure, we train multimodal diffusion models at two scales from scratch, with 3B and 6B sizes respectively. We conduct quantitative evaluation on CPI-Bench, along with qualitative evaluations across diverse text-to-image and editing scenarios. Experimental results present broad visual coverage, versatile rendering, and effective transfer across generative capabilities.
- Abstract（参考訳）: 大規模な画像生成は、データスケール、品質、再バランス、再カプセル化の進歩の恩恵を受けているが、従来のパイプラインは通常、タスク固有のデータセットを分離して最適化する。
中心的な課題は、各タスク固有のコーパスのキュレーション方法だけでなく、生成能力間の依存関係に応じた異種監視の組織化方法である。
本稿では,能力に特有な監視構造と,能力に整合したカリキュラムスケジューリングを結合したデータ基盤を提案する。
特殊で相互運用可能な3つのデータエンジンは、テキスト-画像の接地、画像間変換、画像-知識アソシエーションのための補完的なリレーショナルインテリジェンスを構築し、キャプションの専門家はT2Iを調整し、タスクや粒度の調整を行う。
多段階のカリキュラムは、タスク構成、視覚概念分布、データ品質、画像解像度を能力獲得の依存性順序に沿って共同で進化させ、目標検索、エキスパート構築、ギャップ認識再サンプリングを通じてループを閉じる能力認識評価を行う。
このフレームワークは4億4000万イメージのT2Iコーパス、120万の編集ペア、2700万以上の画像エンタリティペアをキュレートする。
このインフラでは、スクラッチから2つのスケールで、それぞれ3Bと6Bサイズでマルチモーダル拡散モデルを訓練する。
我々は,CPI-Benchの定量的評価と,さまざまなテキスト・画像・編集シナリオの質的評価を行う。
実験結果は、広範囲の視覚的カバレッジ、多彩なレンダリング、および生成能力間での効果的な伝達を示す。
関連論文リスト
- CV-Arena: An Open Benchmark for Instructional Computer Vision Problem Solving with Human-AI Collaborative Preferences [51.86576932800981]
CV-Arenaは、プロの規模でこの能力を評価するために設計されたオープンベンチマークである。
CV-Arenaは16の命令ベースの視覚タスクタイプにまたがる12Kの高解像度実像命令ペアを含んでいる。
我々は,計画,編集,検証を組み合わせた軽量エージェントモデルCV-Agentを開発した。
論文 参考訳（メタデータ） (2026-05-30T23:37:55Z) - EchoGen: Cycle-Consistent Learning for Unified Layout-Image Generation and Understanding [21.73510227758125]
EchoGenはレイアウト・ツー・イメージ生成と画像グラウンドのための統合されたフレームワークである。
画像グラウンドには強いテキストとレイアウト理解能力があり、レイアウト・ツー・イメージ生成の限界を補うことができる。
レイアウトから生成された画像は、内容の多様性が高く、画像グラウンド化の堅牢性を高める。
論文 参考訳（メタデータ） (2026-03-18T17:59:03Z) - Transferable Optimization Network for Cross-Domain Image Reconstruction [1.4929298667651638]
本研究では,画像再構成問題における限られたトレーニングデータに挑戦する新たなトランスファー学習フレームワークを開発する。
最初のステップでは、大規模な異種データセットから重要な知識を学ぶことができる強力な普遍的特徴抽出器を訓練する。
第2のステップでは、新しいターゲットドメインやタスクのためのタスク固有のドメインアダプタを、トレーニングに利用可能な限られた量のデータでトレーニングします。
論文 参考訳（メタデータ） (2026-03-08T22:20:03Z) - Agentic Planning with Reasoning for Image Styling via Offline RL [66.10749901925941]
直接的なプロンプトベースの編集は複雑な変換では失敗するが、なぜなら曖昧で主観的なプロンプトは、画像に何を変更するべきかを微妙に理解する必要がしばしばあるからである。
ツールベースのエージェントRLポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T11:14:37Z) - Factuality Matters: When Image Generation and Editing Meet Structured Visuals [46.627460447235855]
我々は、13万の高品質な構造化画像対からなる大規模データセットを構築した。
FLUX.1 KontextとVLMを統合する統一モデルを訓練する。
3段階のトレーニングカリキュラムは、プログレッシブな特徴アライメント、知識の注入、推論による生成を可能にする。
論文 参考訳（メタデータ） (2025-10-06T17:56:55Z) - DIPO: Dual-State Images Controlled Articulated Object Generation Powered by Diverse Data [67.99373622902827]
DIPOは、一対のイメージから調音された3Dオブジェクトを制御可能な生成するためのフレームワークである。
本稿では,イメージペア間の関係を捉え,部分配置と関節パラメータを生成するデュアルイメージ拡散モデルを提案する。
複雑な3Dオブジェクトの大規模データセットであるPM-Xについて,レンダリング画像,URDFアノテーション,テキスト記述を伴って提案する。
論文 参考訳（メタデータ） (2025-05-26T18:55:14Z) - UniVG: A Generalist Diffusion Model for Unified Image Generation and Editing [59.590505989071175]
テキスト・ツー・イメージ(T2I)拡散モデルでは、ユーザのプロンプトに従って視覚的に魅力的な画像を生成するという印象的な結果が示されている。
我々は,一組の重みで多様な画像生成タスクをサポートする汎用拡散モデルUniVGを紹介する。
論文 参考訳（メタデータ） (2025-03-16T21:11:25Z) - ImageScope: Unifying Language-Guided Image Retrieval via Large Multimodal Model Collective Reasoning [62.61187785810336]
ImageScopeは、トレーニング不要で3段階のフレームワークで、言語誘導の画像検索タスクを統合する。
最初の段階では,様々な意味的粒度のレベルにまたがって探索意図を合成することにより,フレームワークの堅牢性を向上させる。
第2段階と第3段階において、述語命題を局所的に検証し、一括評価を行うことにより、検索結果を反映する。
論文 参考訳（メタデータ） (2025-03-13T08:43:24Z) - Efficient Concertormer for Image Deblurring and Beyond [87.07963453448328]
本稿では,画像の劣化を抑えるための新しいCSA機構を提案する。
自己アテンション計算とは無関係な余剰次元の部分情報を保持することにより,画像サイズに線形な大域的文脈表現を効果的に取得する。
本研究の主な目的は, 単一像運動の劣化であるが, 定量的, 質的な評価により, 他の課題における最先端の手法に対して, より良好に行動できることが示されている。
論文 参考訳（メタデータ） (2024-04-09T09:02:21Z) - RSBuilding: Towards General Remote Sensing Image Building Extraction and Change Detection with Foundation Model [22.56227565913003]
本稿では、基礎モデルの観点から、RSBuildingと呼ばれる総合的なリモートセンシング画像構築モデルを提案する。
RSBuildingはクロスシーンの一般化とタスク理解を強化するように設計されている。
我々のモデルは最大245,000の画像からなるデータセットでトレーニングされ、複数のビルの抽出と変更検出データセットで検証された。
論文 参考訳（メタデータ） (2024-03-12T11:51:59Z)
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。