Fugu-MT 論文翻訳(概要): VISTA: Test-Time Compositional Alignment for Visual Autoregressive Generation

論文の概要: VISTA: Test-Time Compositional Alignment for Visual Autoregressive Generation

arxiv url: http://arxiv.org/abs/2608.22521v1
Date: Sun, 23 Aug 2026 17:46:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 18:24:36.980697
Title: VISTA: Test-Time Compositional Alignment for Visual Autoregressive Generation
Title（参考訳）: VISTA:ビジュアル自動回帰生成のためのテスト時間構成アライメント
Abstract要約: textbfVisual Autoregressive textbfSemantic textbfTest-time textbfAlignmentは,次世代自動回帰画像生成のための勾配ベースのテスト時間アライメントフレームワークである。
参考スコア（独自算出の注目度）: 10.228723521208858
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visual autoregressive (VAR) models have emerged as a fast, high-quality alternative to diffusion for text-to-image generation, but like diffusion models they exhibit persistent compositional failures, producing images that violate the attribute bindings and spatial relations specified in the prompt. While a rich line of test-time alignment methods has developed for diffusion, no comparable approach exists for next-scale VAR generation, whose stateful, discrete, multi-resolution sampling process makes existing techniques inapplicable. We close this gap with \textbf{VISTA} (\textbf{Vi}sual Autoregressive \textbf{S}emantic \textbf{T}est-time \textbf{A}lignment), the first gradient-based test-time alignment framework for next-scale autoregressive image generation. Built on Infinity, VISTA intervenes directly in the generation process, optimizing intermediate representations through the frozen transformer to steer visual predictions toward compositional constraints, without modifying model parameters or requiring additional training. VISTA introduces the mechanisms needed to make such optimization stable across scales, together with an extensible objective space that any differentiable constraint on cross-attention can plug into. Across two benchmarks and two model scales, VISTA improves every targeted compositional category, raising the mean targeted score by nearly 20\% on a 2B backbone and almost 6\% on an 8B backbone, with the largest gains on spatial relations. Image quality is preserved: an independent preference model VISTA never optimizes scores its outputs nearly 20\% higher. Notably, the 2B model with VISTA surpasses a backbone four times its size, indicating that a substantial part of the compositional gap between model scales is recoverable at test time.
Abstract（参考訳）: 視覚自己回帰(VAR)モデルは、テキスト・画像生成のための拡散の高速で高品質な代替手段として登場したが、拡散モデルと同様に、持続的な構成上の失敗を示し、プロンプトで指定された属性結合や空間関係に反する画像を生成する。拡散のためのリッチなテスト時間アライメント手法が開発されているが、ステートフルで離散的なマルチレゾリューションサンプリングプロセスが既存の手法を適用できないような、次世代のVAR生成に匹敵するアプローチは存在しない。このギャップを次のスケールの自己回帰画像生成のための最初の勾配ベースのテスト時間アライメントフレームワークである \textbf{VISTA} (\textbf{Vi}sual Autoregressive \textbf{S}emantic \textbf{T}est-time \textbf{A}lignment) で埋める。 Infinity上に構築されたVISTAは、生成プロセスに直接介入し、凍結トランスフォーマーを通じて中間表現を最適化し、モデルパラメータを変更したり、追加のトレーニングを必要とせずに、構成上の制約に対して視覚的予測を行う。 VISTAは、このような最適化をスケールにわたって安定させるために必要なメカニズムと、クロスアテンションに対する微分可能な制約をプラグインできる拡張可能な目的空間を導入している。 2つのベンチマークと2つのモデルスケールで、VISTAは対象とするすべての構成カテゴリを改善し、2Bバックボーンでは平均目標スコアが20倍近く、8Bバックボーンでは6倍近く上昇し、空間的関係では最大となる。画像品質は保存される: 独立した選好モデルVISTAは、その出力を20倍近く高く最適化しない。特に、VISTAを持つ2Bモデルは、背骨の4倍の大きさを超え、モデルスケール間の構成的ギャップのかなりの部分がテスト時に回復可能であることを示す。

関連論文リスト

Next-Dense-Stride Prediction for Multimodal Autoregressive Visual Modeling [22.020464703520148]
DenseARは, 自己回帰画像生成を粗いnddense-stride予測として再構成する新しい生成パラダイムである。我々の重要な洞察は、一スケールの潜水格子を徐々に密度を増し、自然に世界構造から細部への遷移を捉えているということである。
論文参考訳（メタデータ） (2026-07-10T18:32:27Z)
Imagine Before You Draw: Visual Prompt Engineering for Image Generation [67.81347924426714]
内部フレームワークにシームレスに統合可能なVisual Prompt Engineering (VPE)を提案する。我々は,クラス条件生成,テキスト・ツー・イメージ生成,画像編集にまたがってVPEを検証する。その結果, VPEはコンバージェンスを加速し, 天井の質を高め, 内部統合により, 編集保存性を大幅に向上することがわかった。
論文参考訳（メタデータ） (2026-06-03T05:01:36Z)
Modality Gap-Driven Subspace Alignment Training Paradigm For Multimodal Large Language Models [84.78794648147608]
永続的な幾何学的異常であるモダリティギャップが残っている。このギャップを埋める以前のアプローチは、過度に単純化された等方的仮定によってほとんど制限されている。固定フレームモダリティギャップ理論(英語版)を提案し、モダリティギャップを安定バイアスと異方性残差に分解する。次に、トレーニング不要なモダリティアライメント戦略であるReAlignを紹介します。
論文参考訳（メタデータ） (2026-02-02T13:59:39Z)
Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders [74.72147962028265]
表現オートエンコーダ(RAE)は、ImageNet上で拡散モデリングにおいて明確な利点を示している。本稿では,このフレームワークが大規模でフリーフォームなテキスト・ツー・イメージ(T2I)生成に拡張できるかどうかを検討する。
論文参考訳（メタデータ） (2026-01-22T18:58:16Z)
ProxT2I: Efficient Reward-Guided Text-to-Image Generation via Proximal Diffusion [18.25085327318649]
ProxT2Iと呼ばれる後方離散化に基づくテキスト・トゥ・イメージ(T2I)拡散モデルを開発した。我々は, LAION-Face-T2I-15Mと呼ばれる, 微細なキャプションを持つ1500万個の高品質な人物画像からなる, 大規模かつオープンソースなデータセットを開発した。
論文参考訳（メタデータ） (2025-11-24T04:10:53Z)
Hawk: Leveraging Spatial Context for Faster Autoregressive Text-to-Image Generation [87.00172597953228]
投機的復号化は、品質を損なうことなくテキスト生成を加速させる可能性を示している。我々は、画像の空間構造を利用して投機モデルをより正確で効率的な予測へと導く新しいアプローチであるHawkを紹介する。複数のテキストと画像のベンチマークの実験結果は、標準的なARモデルよりも1.71倍のスピードアップを示している。
論文参考訳（メタデータ） (2025-10-29T17:43:31Z)
RAPO++: Cross-Stage Prompt Optimization for Text-to-Video Generation via Data Alignment and Test-Time Scaling [59.088798018184235]
textbfRAPO++は、クロスプラットフォームのプロンプト最適化フレームワークである。トレーニングデータの整合性向上、テスト時の反復スケーリング、大規模言語モデルの微調整を統一する。 RAPO++は意味的アライメント、構成的推論、時間的安定性、物理的妥当性において大きな進歩を遂げている。
論文参考訳（メタデータ） (2025-10-23T04:45:09Z)
Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
論文参考訳（メタデータ） (2025-10-21T02:19:12Z)
CountLoop: Training-Free High-Instance Image Generation via Iterative Agent Guidance [47.59187786346473]
我々は、正確なインスタンス制御を備えた拡散モデルを提供するトレーニング不要のフレームワークであるCountLoopを提案する。 COCO Count、T2I CompBench、および2つの新しいハイインスタンスベンチマークの実験は、CountLoopが最大98%のカウント精度を達成したことを示している。
論文参考訳（メタデータ） (2025-08-18T11:28:02Z)
UniViTAR: Unified Vision Transformer with Native Resolution [37.63387029787732]
UniViTARは、視覚の統一性とネイティブ解像度のシナリオに適した、均質な視覚基盤モデルのファミリーである。 2つのコアメカニズムを戦略的に組み合わせたプログレッシブトレーニングパラダイムが導入された。並行して、ハイブリッドトレーニングフレームワークは、凍結教師モデルからの特徴蒸留に伴うシグモイドに基づくコントラスト損失をさらにシナジする。
論文参考訳（メタデータ） (2025-04-02T14:59:39Z)
Frequency Autoregressive Image Generation with Continuous Tokens [31.833852108014312]
本稿では、周波数プログレッシブ自己回帰(textbfFAR)パラダイムを導入し、連続トークン化器を用いてFARをインスタンス化する。我々は、ImageNetデータセットの総合的な実験を通して、FARの有効性を実証する。
論文参考訳（メタデータ） (2025-03-07T10:34:04Z)
DivCon: Divide and Conquer for Complex Numerical and Spatial Reasoning in Text-to-Image Generation [0.0]
近年,拡散駆動型テキスト・ツー・イメージ(T2I)生成は顕著な進歩を遂げている。レイアウトは、大きな言語モデルとレイアウトベースの拡散モデルを橋渡しするためのインターメジウムとして使用される。本稿では,生成タスクを複数のサブタスクに分割する分割・コンカレント手法を提案する。
論文参考訳（メタデータ） (2024-03-11T03:24:44Z)
Direct Consistency Optimization for Robust Customization of Text-to-Image Diffusion Models [67.68871360210208]
テキスト・ツー・イメージ(T2I)拡散モデルは、いくつかの個人画像に微調整された場合、高い一貫性で視覚を生成することができる。本稿では,微調整モデルと事前学習モデルとの偏差を制御し,直接整合性最適化(Direct Consistency Optimization)と呼ばれる新たな微調整対象を提案する。提案手法は, 通常の微調整モデルとのマージに最適化したモデルよりも, 高速な忠実度と主観的忠実度が得られることを示す。
論文参考訳（メタデータ） (2024-02-19T09:52:41Z)

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。