論文の概要: Mise-en-Scène: Implicit Layout Emergence in Diffusion Transformers for Human-AI Design Co-Creation
- arxiv url: http://arxiv.org/abs/2608.19000v1
- Date: Wed, 19 Aug 2026 15:02:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.43457
- Title: Mise-en-Scène: Implicit Layout Emergence in Diffusion Transformers for Human-AI Design Co-Creation
- Title（参考訳）: Mise-en-Scène:Human-AI Design Co-Creationのための拡散変圧器の入射
- Abstract要約: グラフィックデザイン合成のための2段階のフレームワークであるMise-en-Scneを紹介する。
第1段階では、小さなノックアウト選択されたLoRAで適合した拡散変圧器が完全な設計をドラフトし、要素の配置がレンダリングされたキャンバスと共同で現れる。
第2段階では、決定論的整合性(deterministic match-and-place)ステップによって、元の高解像度の資産をドラフトされた位置に移動させ、正確な資産の忠実性を保証する。
- 参考スコア（独自算出の注目度）: 15.30671862055459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automating graphic design synthesis from user-provided elements requires both a coherent overall composition and the exact preservation of each asset. Existing methods predict a layout as explicit bounding-box coordinates with a language model and then paste the assets into it, which separates spatial planning from visual synthesis and tends to produce rigid, mis-scaled compositions. We instead ask whether the layout can emerge implicitly inside a pretrained image-editing diffusion transformer. We present Mise-en-Scène, a two-stage framework. In the first stage, a diffusion transformer adapted with a small, knockout-selected LoRA drafts a complete design in which the arrangement of the elements emerges jointly with the rendered canvas. In the second stage, a deterministic match-and-place step moves the original high-resolution assets to the drafted positions, which guarantees exact asset fidelity and yields an editable, layered design that a designer can keep refining rather than a flat image. Notably, a minimal adaptation of the pretrained transformer already suffices, without the specialized conditioning machinery commonly introduced for multi-element generation. On the large-scale PrismLayersPlus benchmark, the designs produced by Mise-en-Scène are the closest to the ground truth in perceived quality among all compared methods, by a wide margin over both an LLM layout planner and a specialized layout transformer, while our match-and-place stage bridges the remaining fidelity gap to the ground-truth composites.
- Abstract（参考訳）: ユーザが提供する要素からグラフィックデザインを自動生成するには、一貫性のある全体構成と、各資産の正確な保存が必要である。
既存の手法では、レイアウトを言語モデルとの明示的な境界ボックス座標として予測し、アセットを貼り付け、空間計画と視覚合成を分離し、厳密でスケールの悪い構成を生成する傾向がある。
その代わりに、事前訓練された画像編集拡散変換器内で、レイアウトが暗黙的に現れるかどうかを問う。
2段階のフレームワークであるMise-en-Scèneを紹介します。
第1段階では、小さなノックアウト選択されたLoRAで適合した拡散変圧器が完全な設計をドラフトし、要素の配置がレンダリングされたキャンバスと共同で現れる。
第2段階では、決定論的マッチ・アンド・プレース・ステップにより、元の高解像度の資産をドラフトされた位置に移動させ、正確な資産の忠実さを保証し、デザイナーが平らな画像よりも精錬を継続できる編集可能な層設計を得る。
特に、事前訓練された変圧器の最小限の適応は、多要素生成に一般的に導入される特別な条件付機械を使わずに、既に十分である。
大規模PrismLayersPlusベンチマークでは,Mise-en-Scèneが作成した設計は,LLMレイアウトプランナと特殊なレイアウトトランスフォーマーの双方に比較して,すべての比較手法において,基礎的真実に最も近いものである。
関連論文リスト
- Resolving Representation Ambiguity in Feedforward Novel View Synthesis Transformer via Semantic-Spatial Decoupling [117.72367737965048]
トランスフォーマーモデルによるフィードフォワード新規ビュー合成(NVS)
現在のアーキテクチャは意味情報(例えば、RGB)と空間情報(例えば、チャンカー線)を共有特徴空間に混ぜる。
本稿では,フィードフォワード型NVSトランスフォーマーの表現を意味トークンと空間トークンに分離することを提案する。
論文 参考訳（メタデータ） (2026-05-18T16:09:52Z) - CalliMaster: Mastering Page-level Chinese Calligraphy via Layout-guided Spatial Planning [37.872480365351485]
ページレベルの書記合成には、グリフの精度とレイアウト構成のバランスが必要である。
制御可能な生成および編集のための統合フレームワークである textbfCalliMaster を提案する。
論文 参考訳（メタデータ） (2026-03-12T22:01:19Z) - MagicQuillV2: Precise and Interactive Image Editing with Layered Visual Cues [106.02577891104079]
本稿では,生成画像編集のための合成パラダイムであるMagicQuill V2を提案する。
本手法は,創造性を制御可能な視覚的手がかりのスタックに分解する。
論文 参考訳（メタデータ） (2025-12-02T18:59:58Z) - A Two-Stage System for Layout-Controlled Image Generation using Large Language Models and Diffusion Models [0.0]
テキストから画像への拡散モデルは、顕著な生成能力を示すが、対象数や空間配置の正確な制御は欠如している。
この研究は、これらの構成制限に対処する2段階のシステムを導入する。
最初のステージでは、オブジェクトのリストから構造化レイアウトを生成するために、LLM(Large Language Model)を採用している。
第2段階では、レイアウト条件付き拡散モデルを用いて、このレイアウトに付着したフォトリアリスティック画像を合成する。
論文 参考訳（メタデータ） (2025-11-10T09:40:48Z) - DisCo-Layout: Disentangling and Coordinating Semantic and Physical Refinement in a Multi-Agent Framework for 3D Indoor Layout Synthesis [76.7196710324494]
3次元屋内レイアウト合成は仮想環境構築に不可欠である。
DisCoは、物理的および意味的な洗練を歪め、調整する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-10-02T16:30:37Z) - CreatiLayout: Siamese Multimodal Diffusion Transformer for Creative Layout-to-Image Generation [78.21134311493303]
拡散モデルは、視覚的に魅力的であるだけでなく、芸術的品質の高い画像を生成する能力で認識されている。
レイアウト・ツー・イメージ生成は、より正確で制御可能な生成を可能にするために、地域固有の位置と記述を活用するために提案されている。
本稿では、レイアウトモデル、データセット、プランナを統合した、創造的なレイアウト・ツー・イメージ生成のための体系的なソリューションを提案する。
論文 参考訳（メタデータ） (2024-12-05T04:09:47Z) - SceneComposer: Any-Level Semantic Image Synthesis [80.55876413285587]
任意の精度のセマンティックレイアウトから条件付き画像合成のための新しいフレームワークを提案する。
このフレームワークは、形状情報のない最低レベルのテキスト・トゥ・イメージ(T2I)に自然に還元され、最高レベルのセグメンテーション・トゥ・イメージ(S2I)となる。
本稿では,この新たなセットアップの課題に対処する,新しいテクニックをいくつか紹介する。
論文 参考訳（メタデータ） (2022-11-21T18:59:05Z) - Geometry Aligned Variational Transformer for Image-conditioned Layout
Generation [38.747175229902396]
画像中の様々なレイアウトを自動回帰的に生成するICVT(Image-Conditioned Variational Transformer)を提案する。
まず、レイアウト要素内のコンテキスト関係をモデル化するために自己認識機構を採用し、一方、クロスアテンション機構は条件付き画像の視覚情報を融合するために使用される。
広告ポスターレイアウト設計データセットを大規模に構築し,微妙なレイアウトと鮮度マップアノテーションを付加する。
論文 参考訳（メタデータ） (2022-09-02T07:19:12Z) - Interactive Image Synthesis with Panoptic Layout Generation [14.1026819862002]
本稿では,Panoptic Layout Generative Adversarial Networks (PLGAN)を提案する。
PLGANは、アモルファス境界を持つ"stuff"と、明確に定義された形状を持つ"things"とを区別するパノプティクス理論を採用している。
我々は、COCO-Stuff、Visual Genome、Landscapeデータセット上の最先端のレイアウトベースモデルとPLGANを実験的に比較した。
論文 参考訳（メタデータ） (2022-03-04T02:45:27Z) - Semantic Palette: Guiding Scene Generation with Class Proportions [34.746963256847145]
本稿では,シーン生成プロセスの指針として,クラス比率を効果的に許容する,新しいアーキテクチャ設計と学習目標を備えた条件付きフレームワークを提案する。
セマンティックコントロールにより、実際の分布に近いレイアウトを生成でき、シーン生成プロセス全体の拡張に役立つ。
実際のレイアウトとイメージのペアでトレーニングされたセグメンテーションセグメントは、実際のペアでトレーニングされたモデルよりも優れています。
論文 参考訳（メタデータ） (2021-06-03T07:04:00Z) - TransVG: End-to-End Visual Grounding with Transformers [102.11922622103613]
本稿では,画像に対して言語クエリを接地するタスクに対処するためのトランスフォーマティブベースのフレームワークであるtransvgを提案する。
複雑な核融合モジュールは、高い性能でトランスフォーマーエンコーダ層を単純なスタックで置き換えることができることを示す。
論文 参考訳（メタデータ） (2021-04-17T13:35:24Z)
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。