論文の概要: GlyphAnchor: Enhancing Visual Text Rendering via Position-Anchored Glyph Priors
- arxiv url: http://arxiv.org/abs/2609.02349v1
- Date: Wed, 02 Sep 2026 09:23:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.214693
- Title: GlyphAnchor: Enhancing Visual Text Rendering via Position-Anchored Glyph Priors
- Title（参考訳）: GlyphAnchor: 位置アンコール型グリフプリミティブによるビジュアルテキストレンダリングの強化
- Abstract要約: 我々はGlyphAnchorを紹介した。GlyphAnchorはテキスト・ツー・イメージと画像編集拡散トランスモデルのための新しいテキストレンダリング拡張手法である。
複数のバックボーンとベンチマーク、例えば、長く、複雑で、密に配置されたテキストと稀な文字シナリオを含む実験は、GlyphAnchorが全体的な画質を保ちながら、一貫してテキストの忠実性を改善することを示している。
- 参考スコア（独自算出の注目度）: 44.606371845449424
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Rendering accurate text remains difficult for image generation and editing models, especially when the target contains long, complex, and densely arranged text or rare characters. Existing approaches either improve native text rendering through stronger backbones and data-centric training without explicit glyph priors, or incorporate glyph priors through specialized designs that remain insufficiently accurate and robust under challenging scenarios. We introduce GlyphAnchor, a novel text-rendering enhancement method for both text-to-image and image-editing diffusion transformer models. GlyphAnchor enhances the backbone with lightweight glyph patch conditions whose positions are anchored to the target image through the model's native positional encoding. We train this capability with staged supervised finetuning and further refine it with text-aware post-training to improve robustness. We also introduce InfoTextBench, a benchmark for evaluating text-rich visual text rendering in both generation and editing settings. Experiments across multiple backbones and benchmarks, including long, complex, and densely arranged text and rare character scenarios, show that GlyphAnchor consistently improves text fidelity while preserving overall image quality.
- Abstract（参考訳）: 正確なテキストのレンダリングは、特にターゲットが長く、複雑で、密に配置されたテキストや稀な文字を含む場合、画像生成および編集モデルにとって難しいままである。
既存のアプローチでは、より強力なバックボーンによるネイティブテキストレンダリングの改善や、明示的なグリフ事前を使わずにデータ中心のトレーニング、あるいは難解なシナリオ下では不十分に正確で堅牢な特別な設計でグリフ事前を取り入れている。
我々はGlyphAnchorを紹介した。GlyphAnchorはテキスト・ツー・イメージと画像編集拡散トランスモデルのための新しいテキストレンダリング拡張手法である。
GlyphAnchorは、モデルのネイティブな位置エンコーディングを通じて、ターゲット画像に位置が固定された軽量のグリフパッチ条件でバックボーンを強化する。
我々は、この能力を教師付き微調整で訓練し、堅牢性を向上させるために、テキスト認識後のトレーニングでさらに洗練する。
また、InfoTextBenchは、生成および編集設定の両方でテキストリッチなビジュアルテキストレンダリングを評価するためのベンチマークである。
複数のバックボーンとベンチマーク、例えば、長く、複雑で、密集したテキストと稀な文字シナリオを含む実験は、GlyphAnchorが全体的な画質を維持しながら、一貫してテキストの忠実性を改善することを示している。
関連論文リスト
- TextSculptor: Training and Benchmarking Scene Text Editing [88.11688559021628]
データ構築とシーンテキスト編集評価のための総合的なフレームワークであるTextSculptorを提案する。
TextSculptorはオープンソースのテキスト編集性能を改善し、プロプライエタリなモデルとのギャップを狭める。
論文 参考訳（メタデータ） (2026-05-20T12:22:26Z) - TextGuider: Training-Free Guidance for Text Rendering via Attention Alignment [68.91073792449201]
そこで本研究では,テキストの正確かつ完全な出現を促すトレーニング不要な方法であるTextGuiderを提案する。
具体的には,多モード拡散変換器(MM-DiT)モデルにおける注意パターンを解析し,特に画像に描画することを意図したテキスト関連トークンについて検討する。
テスト時間テキストレンダリングでは,OCR精度とCLIPスコアが大幅に向上し,高い結果が得られた。
論文 参考訳（メタデータ） (2025-12-10T06:18:30Z) - Qwen-Image Technical Report [86.46471547116158]
Qwen-Imageは複雑なテキストのレンダリングと正確な画像編集において大きな進歩を遂げた画像生成基盤モデルである。
我々は、大規模なデータ収集、フィルタリング、アノテーション、合成、バランスを含む包括的なデータパイプラインを設計する。
Qwen-Imageは、英語のようなアルファベットの言語で非常によく機能し、中国語のようなより挑戦的なログラフ言語でも顕著な進歩を遂げている。
論文 参考訳（メタデータ） (2025-08-04T11:49:20Z) - UniGlyph: Unified Segmentation-Conditioned Diffusion for Precise Visual Text Synthesis [38.658170067715965]
画素レベルの視覚テキストマスクを統一された条件入力として用いるセグメンテーション誘導フレームワークを提案する。
提案手法は,AnyTextベンチマークの最先端性能を実現する。
レイアウトテストのためのGlyphMM-benchmarkと、小規模テキスト領域における生成品質の評価のためのMiniText-benchmarkの2つの新しいベンチマークも導入した。
論文 参考訳（メタデータ） (2025-07-01T17:42:19Z) - HDGlyph: A Hierarchical Disentangled Glyph-Based Framework for Long-Tail Text Rendering in Diffusion Models [20.543157470365315]
HDGlyphは、非テキスト視覚合成からテキスト生成を階層的に分離する新しいフレームワークである。
私たちのモデルは、英語と中国語のテキストレンダリングで5.08%と11.7%の精度で、他のモデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-05-10T07:05:43Z) - GlyphMastero: A Glyph Encoder for High-Fidelity Scene Text Editing [23.64662356622401]
GlyphMasteroという特殊なグリフエンコーダは、ストロークレベルの精度でテキストを生成するために、潜時拡散モデルを導出するために設計されている。
本手法は,現状のシーンテキスト編集ベースラインよりも文精度が18.02%向上した。
論文 参考訳（メタデータ） (2025-05-08T03:11:58Z) - Beyond Flat Text: Dual Self-inherited Guidance for Visual Text Generation [17.552733309504486]
現実のイメージでは、斜めまたは湾曲したテキスト、特に缶、バナー、バッジは、芸術的なデザインやレイアウトの制約により、平らなテキストのように頻繁に現れる。
難易度の高いシナリオで視覚テキストを正確に生成する新しいトレーニングフリーフレームワークSTGenを導入する。
論文 参考訳（メタデータ） (2025-01-10T11:44:59Z) - First Creating Backgrounds Then Rendering Texts: A New Paradigm for Visual Text Blending [5.3798706094384725]
背景作成とテキストのレンダリングの両方を含む新しいビジュアルテキストブレンディングパラダイムを提案する。
具体的には、背景生成装置を開発し、高忠実でテキストフリーな自然画像を生成する。
また,シーンテキスト検出のためのシーンテキストデータセット合成など,本手法に基づくダウンストリームアプリケーションについても検討する。
論文 参考訳（メタデータ） (2024-10-14T05:23:43Z) - Glyph-ByT5: A Customized Text Encoder for Accurate Visual Text Rendering [59.088036977605405]
ビジュアルテキストレンダリングは、テキストから画像生成モデルにとって根本的な課題である。
文字認識のBYT5エンコーダを微調整することで、一連のカスタマイズされたテキストエンコーダ、Glyph-ByT5を作成します。
本稿では,Glyph-ByT5をSDXLに統合する方法を提案する。
論文 参考訳（メタデータ） (2024-03-14T17:55:33Z) - GlyphDiffusion: Text Generation as Image Generation [100.98428068214736]
テキスト誘導画像生成によるテキスト生成のための新しい拡散手法であるGlyphDiffusionを提案する。
私たちのキーとなるアイデアは、ターゲットのテキストを視覚言語コンテンツを含むグリフイメージとしてレンダリングすることです。
また,本モデルでは,近年の拡散モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-04-25T02:14:44Z)
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。