Fugu-MT 論文翻訳(概要): Detect Anything in Graphic Design: Element-Level Rewards for Autoregressive Detection

論文の概要: Detect Anything in Graphic Design: Element-Level Rewards for Autoregressive Detection

arxiv url: http://arxiv.org/abs/2609.07072v1
Date: Mon, 07 Sep 2026 06:01:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.368561
Title: Detect Anything in Graphic Design: Element-Level Rewards for Autoregressive Detection
Title（参考訳）: グラフィックデザインにおける何かを検出する: 自己回帰検出のための要素レベルリワード
Abstract要約: 本稿では,図形設計検出を構成的デコンストラクションとして定式化するモデルとして,図形設計における任意のもの検出(DAD)を提案する。構成順に要素をデコードし、下位の要素を使って上位の要素をよりよく検出する。 EleRPOは、検出された各要素が全体的な検出品質にどのように貢献するかをキャプチャする、きめ細かいトレーニング信号を提供する。
参考スコア（独自算出の注目度）: 23.553276034919964
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graphic designs, such as posters, advertisements, and infographics, are an important medium for communicating information and shaping understanding. Unlike natural images, they consist of layered elements with explicit compositional order. However, existing object detection models treat these elements as an unordered set, leaving compositional order unexploited. To address this limitation, we present Detect Anything in Graphic Design (DAD), a model that formulates graphic design detection as compositional deconstruction. It decodes elements in compositional order, using lower-layer elements to better detect higher-layer ones. The key feature of DAD is amodal detection, which predicts the full bounding box of each element, including regions occluded by elements placed above it. Building on this formulation, we propose Element Relative Policy Optimization (EleRPO), which extends GRPO from sequence-level supervision to element-level optimization. EleRPO provides fine-grained training signals that capture how each detected element contributes to overall detection quality, and works synergistically with compositional order to improve detection performance. To support training and evaluation, we build a dataset of 10 million graphic designs. Experiments show that DAD outperforms all baselines and achieves human-level performance in amodal detection, supporting effective image-to-layer decomposition. EleRPO consistently improves over GRPO across nine detection benchmarks.
Abstract（参考訳）: ポスター、広告、インフォグラフィックなどのグラフィックデザインは、情報を伝達し、理解を形作る重要な媒体である。自然画像とは異なり、これらは明示的な構成順序を持つ層状要素から構成される。しかし、既存のオブジェクト検出モデルはこれらの要素を非順序集合として扱い、構成順序は未公表のままである。この制限に対処するため,図形設計検出を構成的デコンストラクションとして定式化したDAD(Detect Anything in Graphic Design)を提案する。構成順に要素をデコードし、下位の要素を使って上位の要素をよりよく検出する。 DADの重要な特徴はアモーダル検出であり、各要素の完全なバウンディングボックスを予測する。この定式化に基づいて, GRPO をシーケンスレベルの監視から要素レベルの最適化まで拡張する Element Relative Policy Optimization (EleRPO) を提案する。 EleRPOは、検出された各要素が全体的な検出品質にどのように貢献するかをキャプチャする、きめ細かいトレーニング信号を提供する。トレーニングと評価を支援するために、1000万のグラフィックデザインのデータセットを構築します。実験の結果,DADはすべてのベースラインを上回り,アモーダル検出において人間レベルの性能を実現し,画像から層への効率的な分解を支援することがわかった。 EleRPOは9つの検出ベンチマークでGRPOよりも一貫して改善されている。

関連論文リスト

Graphic-Design-Bench: A Comprehensive Benchmark for Evaluating AI on Graphic Design Tasks [7.841779848822317]
GraphicDesignBench(GDB)は、プロフェッショナルなグラフィックデザインタスクの全範囲でAIモデルを評価するために設計された、初めての包括的なベンチマークスイートである。このスイートは、レイアウト、タイポグラフィー、インフォグラフィック、テンプレートとデザインのセマンティクス、アニメーションの5つの軸に沿って構成された50のタスクで構成されている。本研究では,空間的精度,知覚的品質,テキストの忠実度,セマンティックアライメント,構造的妥当性を網羅した標準化された計量分類法を用いて,フロンティアクローズソースモデルの集合を評価する。
論文参考訳（メタデータ） (2026-04-05T17:20:08Z)
Referring Layer Decomposition [25.128453386102887]
単一のRGB画像から完全なRGBA層を予測するRLD(Referring Layer Decomposition)タスクを導入する。コアとなるRefLadeは、スケーラブルなデータエンジンによって生成される1.11Mイメージ層プロンプトトリプレットからなる大規模なデータセットです。本稿では,プロンプト条件付き層分解のためのシンプルなベースラインRefLayerを提案し,高い視覚的忠実度とセマンティックアライメントを実現する。
論文参考訳（メタデータ） (2026-02-22T22:05:17Z)
Performance Optimization of YOLO-FEDER FusionNet for Robust Drone Detection in Visually Complex Environments [0.981328290471248]
視覚的に複雑な環境でのドローン検出は、背景のぼやけ、小さな物体スケール、カモフラージュ効果のために困難である。この研究は、汎用オブジェクト検出とカモフラージュオブジェクト検出技術を統合する、YOLO-FEDER FusionNetの強化されたイテレーションを示す。
論文参考訳（メタデータ） (2025-09-17T14:21:00Z)
CAL-RAG: Retrieval-Augmented Multi-Agent Generation for Content-Aware Layout Design [6.830055289299306]
CAL-RAGは、コンテンツ対応レイアウト生成のための検索拡張エージェントフレームワークである。我々は、LangGraphを使ってフレームワークを実装し、セマンティック変数に富んだベンチマークで評価する。その結果,検索強化とエージェント的多段階推論を組み合わせることで,拡張性,解釈性,高忠実度な解が得られることがわかった。
論文参考訳（メタデータ） (2025-06-27T06:09:56Z)
Graph-guided Cross-composition Feature Disentanglement for Compositional Zero-shot Learning [54.08741382593959]
合成ゼロショット学習(CZSL)において、プリミティブ(属性とオブジェクト)の視覚的特徴の歪みは例外的な結果を示した。異なる構成にまたがる一般的な非絡み合った原始的特徴を学ぶことは困難である。本稿では,複数のプリミティブ共有合成を入力として利用するクロスコンポジション特徴分散の解を提案する。
論文参考訳（メタデータ） (2024-08-19T08:23:09Z)
Rank-DETR for High Quality Object Detection [52.82810762221516]
高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
論文参考訳（メタデータ） (2023-10-13T04:48:32Z)
Adaptive Graph Convolution Module for Salient Object Detection [7.278033100480174]
本稿では,複雑なシーンを扱うための適応型グラフ畳み込みモジュール(AGCM)を提案する。学習可能な領域生成層を用いて入力画像からプロトタイプ特徴を抽出する。提案したAGCMは,SOD性能を定量的かつ定量的に劇的に向上させる。
論文参考訳（メタデータ） (2023-03-17T07:07:17Z)
Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文参考訳（メタデータ） (2021-05-07T03:49:26Z)
Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文参考訳（メタデータ） (2021-03-22T20:36:34Z)
Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
論文参考訳（メタデータ） (2020-07-20T18:04:14Z)
Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文参考訳（メタデータ） (2020-04-28T08:40:55Z)

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。