論文の概要: Less Is More: Balancing Positive and Negative Space in Visual Concept Blending
- arxiv url: http://arxiv.org/abs/2609.00476v1
- Date: Mon, 31 Aug 2026 23:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.160854
- Title: Less Is More: Balancing Positive and Negative Space in Visual Concept Blending
- Title（参考訳）: 視覚概念のブレンディングにおける肯定的空間と否定的空間のバランス
- Abstract要約: グラフィックデザイナは視覚的概念をブレンドして、単一のイメージ内で複数のアイデアを伝達することが多い。
混合プロセス全体を通して正負の空間を明示的に適用する自動パイプラインを提案する。
肯定的空間と否定的空間を効果的に活用することにより、表現性、創造性、概念認識性を向上する。
- 参考スコア（独自算出の注目度）: 6.1161573972598875
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graphic designers often blend visual concepts to communicate multiple ideas within a single image, leveraging positive and negative space to create balance, emphasis, and aesthetic appeal. While computational methods have begun to support automatic concept blending, they largely overlook the role of spatial composition in the design. To address this gap, we present an automatic pipeline that explicitly applies positive and negative space throughout the blending process. Our approach first identifies plausible regions for concept integration by combining semantic reasoning from vision-language models with geometric constraints derived from real-world examples. Conditioned on these regions, the system generates blended compositions using a hybrid pixel-vector pipeline: diffusion-based inpainting produces a fast, coarse initialization, which is then refined through vector-based optimization at the point level to ensure structural coherence and balanced semantic expression. A multimodal agent orchestrates this process as a planner and evaluator, enabling iterative improvement and interpretable control. Through an evaluation using both baseline comparisons and a user study, we demonstrate greater expressiveness, creativity, and concept recognizability by effectively leveraging positive and negative space. We further demonstrate the generalizability of our approach across diverse applications, including controllable image and infographic generation.
- Abstract（参考訳）: グラフィックデザイナーは視覚的概念をブレンドして一つのイメージ内で複数のアイデアを伝達し、正と負の空間を利用してバランス、強調、美的魅力を生み出す。
計算手法は自動的な概念ブレンディングをサポートし始めたが、設計における空間構成の役割を概ね見落としている。
このギャップに対処するため、混合プロセス全体を通して正負の空間を明示的に適用する自動パイプラインを提案する。
提案手法はまず,視覚言語モデルからの意味論的推論と実世界の例から導出した幾何学的制約を組み合わせることで,概念統合のための妥当な領域を同定する。
これらの領域を条件に、このシステムはハイブリッド・ピクセル・ベクター・パイプラインを用いてブレンド合成を生成する。拡散ベースのインペインティングは高速で粗い初期化を生成し、点レベルでベクトルベースの最適化によって洗練され、構造的コヒーレンスとバランスの取れたセマンティック表現が保証される。
マルチモーダルエージェントは、このプロセスをプランナーおよび評価者としてオーケストレーションし、反復的な改善と解釈可能な制御を可能にする。
ベースライン比較とユーザスタディの両方を用いて評価することにより、ポジティブ空間とネガティブ空間を効果的に活用することにより、より表現性、創造性、概念認識性を示す。
さらに、制御可能な画像やインフォグラフィック生成など、多様なアプリケーションにまたがるアプローチの一般化可能性を示す。
関連論文リスト
- Unified Multimodal Autoregressive Modeling with Shared Context-Visual Tokenizer is Key to Unification [80.62512020268626]
UniARは統合された自己回帰フレームワークであり、単一のビジュアルトークン化器が理解と生成の鍵となる。
UniARは、マルチレベル特徴融合とルックアップフリービットワイド量子化スキームを備えた事前訓練されたビジョンエンコーダを適応する。
拡散に基づく視覚デコーダは、離散的な視覚トークンで高忠実度画像をデコードする。
論文 参考訳（メタデータ） (2026-06-16T17:59:22Z) - Plug-and-Play Multi-Concept Adaptive Blending for High-Fidelity Text-to-Image Synthesis [0.0]
本稿では,高忠実度テキスト・トゥ・イメージ(T2I)生成のためのプラグイン・アンド・プレイマルチコンセプト・ブレンディングを提案する。
本手法は,各パーソナライズされた概念の意図した外観を忠実に反映するために,ガイド付き外観注意を利用する。
また,非個人化領域の整合性を維持するマスク誘導型ノイズミキシング戦略を提案する。
論文 参考訳（メタデータ） (2025-11-18T12:25:47Z) - Distribution-Conditional Generation: From Class Distribution to Creative Generation [39.93527514513576]
DisTokは、クラス分散を潜在空間にマッピングし、それらを創造的な概念のトークンにデコードするエンコーダ・デコーダフレームワークである。
DisTokは、テキストイメージアライメントと人間の好みスコアで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-06T16:07:12Z) - FreeBlend: Advancing Concept Blending with Staged Feedback-Driven Interpolation Diffusion [9.51081615960585]
概念ブレンディングは、生成モデルにおいて、有望だが未発見の領域である。
FreeBlendは、これらの課題に対処するために設計された、効果的な、トレーニング不要のフレームワークです。
論文 参考訳（メタデータ） (2025-02-08T15:25:03Z) - Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。
中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
論文 参考訳（メタデータ） (2024-09-09T14:04:17Z) - Coherent and Multi-modality Image Inpainting via Latent Space Optimization [61.99406669027195]
PILOT(intextbfPainting vtextbfIa textbfOptextbfTimization)は、新しいテキストセマンティック中央化とテキストセマンティック保存損失に基づく最適化手法である。
本手法は,背景とのコヒーレンスを維持しつつ,ユーザが提供するプロンプトに対して高い忠実度を示す塗装領域を生成できる潜時空間を探索する。
論文 参考訳（メタデータ） (2024-07-10T19:58:04Z) - FreeCompose: Generic Zero-Shot Image Composition with Diffusion Prior [50.0535198082903]
我々は,複数の入力イメージを単一のコヒーレントなイメージに統合する,新しい画像合成手法を提案する。
本稿では, 大規模事前学習拡散モデルに内在する強力な生成的前駆体を利用して, 汎用画像合成を実現する可能性を示す。
論文 参考訳（メタデータ） (2024-07-06T03:35:43Z) - Compositional Inversion for Stable Diffusion Models [64.79261401944994]
ユーザ画像から提供される関心の概念を取り入れてパーソナライズされた画像を生成する。
既存の方法はしばしば過度に適合する問題に悩まされ、倒立概念の圧倒的な存在が他の望ましい概念の欠如につながっている。
本稿では,合成埋め込みのコア分布への反転過程を導出する手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T10:57:46Z) - Layered Rendering Diffusion Model for Controllable Zero-Shot Image Synthesis [15.76266032768078]
本稿では,テキストクエリに依存する拡散モデルにおける空間制御性向上のための革新的な手法を提案する。
まず、摂動分布の基本的な空間的キューとして視覚誘導を導入する。
本稿では,複数のレイヤからなる画像レンダリングプロセスを構築する汎用フレームワークであるLayered Rendering Diffusion (LRDiff)を提案する。
論文 参考訳（メタデータ） (2023-11-30T10:36:19Z) - ACSeg: Adaptive Conceptualization for Unsupervised Semantic Segmentation [17.019848796027485]
自己教師付き視覚事前学習モデルでは,画素レベルの意味的関係を表現することに大きな期待が持たれている。
本研究では,自己学習モデルにおける画素レベルのセマンティックアグリゲーションを画像エンコードや設計概念として検討する。
本稿では,これらのプロトタイプを各画像に対する情報的概念に適応的にマッピングするアダプティブ・コンセプト・ジェネレータ(ACG)を提案する。
論文 参考訳（メタデータ） (2022-10-12T06:16:34Z) - ViCE: Self-Supervised Visual Concept Embeddings as Contextual and Pixel
Appearance Invariant Semantic Representations [77.3590853897664]
本研究は,NLPにおける単語埋め込みの学習方法に着想を得た画像に対して,意味論的にリッチな視覚埋め込みを学習するための自己指導的手法を提案する。
論文 参考訳（メタデータ） (2021-11-24T12:27:30Z)
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。