論文の概要: OccluRank: Controllable Occlusion-Aware Layout-to-Image Generation by Adding Just an Ordinal Rank
- arxiv url: http://arxiv.org/abs/2608.20932v1
- Date: Fri, 21 Aug 2026 09:53:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.500573
- Title: OccluRank: Controllable Occlusion-Aware Layout-to-Image Generation by Adding Just an Ordinal Rank
- Title（参考訳）: OccluRank: 通常のランクを付けるだけで、コントロール可能なOcclusion-Aware Layout-to- Image Generation
- Abstract要約: OccluRankはレイアウト・ツー・イメージのフレームワークで、各バウンディングボックスを1つの順序で拡張する。
実験によると、OccluRankはターゲットインスタンスをより確実に保存し、特定のレイアウトに従って、望ましい属性関係を実現する。
- 参考スコア（独自算出の注目度）: 57.48234285746084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Layout-to-image generation enables explicit spatial control through bounding-box layouts, yet bounding boxes specify only instance locations and cannot represent their occlusion order. Existing methods may rely on additional geometric conditions, employ complex inference procedures, or aggregate independently constructed instance representations without explicitly modeling their occlusion-dependent interactions. We propose OccluRank, a simple and controllable occlusion-aware layout-to-image framework that augments each bounding box with only one ordinal rank. OccluRank encodes the user-specified occlusion order through lightweight rank-based conditioning and introduces an Order-aware Instance Interaction (OII) module to jointly update rank-conditioned instance representations before aggregation. This allows the specified order to guide information exchange among occluding instances without additional geometric inputs or specialized inference-time optimization. We further construct OccluLayout, a synthetic training dataset whose occlusion order and amodal annotations are derived directly from known scene geometry rather than estimated from partially occluded images using auxiliary prediction models. For comprehensive evaluation, we introduce OccluLayout-Bench, which uses multiple multimodal large language model evaluators to assess instance presence, spatial layout, attributes, and occlusion order, together with FID for overall image quality. Experiments show that OccluRank more reliably preserves target instances, follows specified layouts, and realizes desired occlusion relationships while maintaining comparable attribute consistency and overall image quality.
- Abstract（参考訳）: Layout-to-image生成は、バウンディングボックスレイアウトによる空間制御を可能にするが、バウンディングボックスはインスタンス位置のみを指定し、そのオクルージョン順序を表現できない。
既存の手法は、追加の幾何学的条件に頼り、複雑な推論手順を採用するか、あるいは隠蔽依存の相互作用を明示的にモデル化することなく、独立に構築されたインスタンス表現を集約する。
我々はOccluRankを提案する。OccluRankはシンプルで制御可能なオクルージョン対応レイアウト・ツー・イメージ・フレームワークで、各バウンディングボックスを1つの順序で拡張する。
OccluRankは、軽量なランクベースの条件付けを通じて、ユーザ指定のオクルージョン順序をエンコードし、アグリゲーションの前にランク付きインスタンス表現を共同で更新するOrder-aware Instance Interaction (OII)モジュールを導入する。
これにより、指定された順序は、追加の幾何学的入力や特別な推論時間最適化なしで、排他的インスタンス間の情報交換をガイドすることができる。
さらに,OccluLayoutという,隠蔽順序とアモーダルアノテーションが,補助予測モデルを用いた部分隠蔽画像から推定されるのではなく,既知のシーン形状から直接導出される合成トレーニングデータセットを構築した。
OccluLayout-Benchは、複数のマルチモーダルな大規模言語モデル評価器を用いて、画像の全体的品質に対するFIDとともに、インスタンスの存在、空間的レイアウト、属性、および閉塞順序を評価する。
実験によると、OccluRankはターゲットインスタンスをより確実に保存し、指定されたレイアウトに従って、同等の属性一貫性と全体的な画質を維持しながら、望ましい閉塞関係を実現する。
関連論文リスト
- Rank-Consistent Set Reasoning for Co-Salient Object Detection [0.548014499873554]
Co-SOD(Co-Salient Object Detection)は、個々の画像に忠実でイメージグループによって支持される前景領域を見つけるためのモデルを必要とする。
本稿では,群を非順序集合としてモデル化する教師付き密度予測フレームワークであるemphRank-Consistent Set Reasoning(RCSR)を提案する。
論文 参考訳（メタデータ） (2026-09-12T04:34:48Z) - MultiCompose: Multi-Concept Personalized Composition with Per-Subject Attribute Binding [9.605365111072745]
MultiComposeは、マルチオブジェクト推論から概念ごとのパーソナライズを分離するコンポジションフレームワークである。
MSP-BenchはID(ID)、属性バインディング精度(BIND)、属性ミスアライメント(MIS)を共同で評価するベンチマークである。
実験により、MultiComposeは従来のメトリクスとMSP-Benchの両方で既存の手法より優れていることが示された。
論文 参考訳（メタデータ） (2026-08-04T14:13:18Z) - SPORT: Structure-Aware Prototype Disentanglement for Incomplete Multi-View Clustering [51.01038967474103]
プロトタイプベースの不完全なマルチビュークラスタリングは、不足ビュー計算のためのセマンティックアンカーとしてプロトタイプを活用することで注目を集めている。
構造対応PrOtotype disentanglement foR incomplete multi-view clusTering (Sport) と呼ばれる新しいフレームワークを提案する。
SPORTは、クラスタレベルのリレーショナル構造を保持しながら、プロトタイプの共有コンポーネントとビュー固有のコンポーネントを明示的に分離する。
論文 参考訳（メタデータ） (2026-07-11T17:40:22Z) - OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation [49.49933361280724]
OcclusionFormerは、インスタンスを分離することで、Zオーダーの優先順位を明示的にモデル化する新しいフレームワークです。
また、個別のインスタンスを明示的に監視し、セマンティックな一貫性を高めるクエリアライメント損失を導入します。
提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。
論文 参考訳（メタデータ） (2026-05-20T16:10:44Z) - UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation [65.53694602893042]
VLMエンコーディングの前にVTとVAE機能を融合した統合ビジュアルコンディショニングフレームワークを提案する。
2つのマルチ参照生成ベンチマークの実験により、UniCustomは主題の一貫性、命令従順、構成の忠実さを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-12T13:10:05Z) - Spanning Tree Autoregressive Visual Generation [51.7635842702602]
本稿では,Spanning Tree Autoregressive (STAR) モデリングについて述べる。
論文 参考訳（メタデータ） (2025-11-21T09:45:17Z) - 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) - Spatial-Aware Latent Initialization for Controllable Image Generation [9.23227552726271]
テキスト・ツー・イメージ拡散モデルでは、テキスト入力に条件付けされた高品質な画像を生成することができる。
従来の研究は、主にレイアウト条件と交差注意マップの整合性に重点を置いてきた。
そこで本研究では,デノナイズ過程における空間認識初期化雑音を利用して,より優れたレイアウト制御を実現することを提案する。
論文 参考訳（メタデータ） (2024-01-29T13:42:01Z) - Multi-Granularity Denoising and Bidirectional Alignment for Weakly
Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。
MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文 参考訳（メタデータ） (2023-05-09T03:33:43Z)
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。