論文の概要: Preserving Subject-Clarity in Image Outpainting with Multiscale Wavelet Supervision

• arxiv url: http://arxiv.org/abs/2609.13251v1
• Date: Sat, 05 Sep 2026 03:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.67145
• Title: Preserving Subject-Clarity in Image Outpainting with Multiscale Wavelet Supervision
• Title（参考訳）: マルチスケールウェーブレット・スーパービジョンによる画像出力における主観的明瞭さの保存
• Abstract要約: 画像のアウトペイントは、画像境界を拡張し、欠落したコンテンツやコンテキストを回復することで、スケーラブルなソリューションを提供する。 本稿では、視覚言語モデル(VLM)とマルチスケールウェーブレット監視を組み合わせた、主題局所化された詳細保存のための主題の明確性向上フレームワークを提案する。 4つの広告と自然画像のベンチマークにおいて,本手法は主観的明瞭度を向上し,対象中心のDreamSimエラーとFIDを平均3.0%,FIDを2.4%削減し,各データセットあたりの最先端のアプローチよりも10.8%,7.7%向上した。
• 参考スコア（独自算出の注目度）: 18.93928878195121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commercial and advertising images are frequently affected by poor framing, partially cropped subjects, truncated text or logos, and insufficient context, all of which can reduce subject clarity, i.e., the ability of an image to clearly communicate its primary subject. Image outpainting offers a scalable solution by extending image boundaries and recovering missing content and context. However, existing diffusion-based outpainting methods often produce visually plausible completions while degrading subject fidelity through structural inconsistencies, semantic drift, or loss of fine-grained detail. To address this limitation, we propose a subject clarity outpainting framework that combines vision-language model (VLM)-guided semantic conditioning with multiscale wavelet supervision for subject-localized detail preservation. To support training, we develop a subject-centric data curation pipeline that constructs subject-intersecting outpainting pairs from advertising and natural images. The resulting objective introduces no additional inference cost and is designed to be compatible with diffusion-based backbones. Across four advertising and natural-image benchmarks, our method improves subject clarity, reducing subject-centered DreamSim error and FID on average by 3.0% and 2.4% over matched supervised fine-tuning, and by 10.8% and 7.7% over the strongest state-of-the-art approach per dataset, respectively.
• Abstract（参考訳）: 商業的、広告的なイメージは、しばしばフレーミングが悪く、部分的に収穫された主題、散文やロゴ、文脈が不十分で、主観的明瞭さ、すなわち画像が主観的主題を明確に伝達する能力に影響を及ぼす。 画像のアウトペイントは、画像境界を拡張し、欠落したコンテンツやコンテキストを回復することで、スケーラブルなソリューションを提供する。 しかし、既存の拡散に基づくアウトペイント法は、しばしば視覚的に可視な完成を生み出す一方で、構造的不整合、セマンティックドリフト、細かな詳細の喪失を通じて被写体忠実度を低下させる。 この制限に対処するために,視覚言語モデル(VLM)とマルチスケールウェーブレット監視を組み合わせた,主題局所的な詳細保存のための主題明快なアウトペイントフレームワークを提案する。 トレーニングを支援するため,広告と自然画像から被写体間対を抽出するデータキュレーションパイプラインを構築した。 その結果、追加の推論コストが発生しず、拡散ベースのバックボーンと互換性があるように設計されている。 4つの広告と自然画像のベンチマークにおいて,本手法は主観的明瞭度を向上し,対象中心のDreamSimエラーとFIDを平均3.0%,FIDを2.4%削減し,各データセット当たり最強の最先端アプローチよりも10.8%,7.7%向上した。

関連論文リスト

• FreeInpaint: Tuning-free Prompt Alignment and Visual Rationality Enhancement in Image Inpainting [98.04041133839088]
  ユーザからのテキストプロンプトを用いて,画像の特定領域内で新たなコンテンツを生成する。 FreeInpaintは,画像の忠実度を向上させるために,インジェクション中の拡散潜水剤を直接最適化する,プラグアンドプレイのチューニング不要な手法である。
  論文  参考訳（メタデータ） (2025-12-24T11:06:26Z)
• Salient Concept-Aware Generative Data Augmentation [41.00417010028318]
  画像とテキストの両方に条件付けされた生成データ拡張手法は、忠実性と多様性のバランスをとるのに苦労する。 本稿では,合成過程における無関係な視覚的詳細の影響を低減するために,健全な概念認識画像埋め込みモデルを用いたパーソナライズされた画像生成フレームワークを提案する。 提案手法は,8つの細粒度視覚データセットに対して優れた性能を示し,平均的分類精度を0.73%,6.5%向上させる技術拡張手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-10-16T23:31:55Z)
• In-Context Brush: Zero-shot Customized Subject Insertion with Context-Aware Latent Space Manipulation [41.79836820271156]
  In-Context Brush"は、被写体挿入をカスタマイズするためのゼロショットフレームワークである。 オブジェクトイメージとテキストプロンプトをクロスモーダルなデモとして定式化する。 目標は、対象画像を、モデルチューニングなしでテキストプロンプトを整列する対象に塗布することである。
  論文  参考訳（メタデータ） (2025-05-26T17:49:10Z)
• Recovering Partially Corrupted Objects via Sketch-Guided Bidirectional Feature Interaction [16.03488741913531]
  テキスト誘導拡散モデルはテキストプロンプトを通じて高レベルの意味指導を提供する。 これらはしばしば、部分的に破損した物体に正確なピクセルレベルの空間制御を欠いている。 本研究では,事前訓練された安定拡散モデルに基づくスケッチ誘導双方向特徴相互作用フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-10T08:34:31Z)
• 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)
• DaLPSR: Leverage Degradation-Aligned Language Prompt for Real-World Image Super-Resolution [19.33582308829547]
  本稿では, 精度, 精細度, 高忠実度画像復元のために, 劣化対応言語プロンプトを活用することを提案する。 提案手法は,新しい最先端の知覚品質レベルを実現する。
  論文  参考訳（メタデータ） (2024-06-24T09:30:36Z)
• Be Yourself: Bounded Attention for Multi-Subject Text-to-Image Generation [60.943159830780154]
  本稿では,サンプリングプロセスにおける情報フローをバウンドする訓練不要な手法である境界注意法を紹介する。 提案手法は,与えられたプロンプトとレイアウトの整合性を向上する複数の主題の生成に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-25T17:52:07Z)
• Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
  我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。 Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。 ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
  論文  参考訳（メタデータ） (2023-06-03T11:50:44Z)
• Image-Specific Information Suppression and Implicit Local Alignment for Text-based Person Search [61.24539128142504]
  テキストベースの人物検索(TBPS)は,問合せテキストが与えられた画像ギャラリーから同一の身元で歩行者画像を検索することを目的とした課題である。 既存の手法の多くは、モダリティ間の微粒な対応をモデル化するために、明示的に生成された局所的な部分に依存している。 TBPSのためのマルチレベルアライメントネットワーク(MANet)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T16:14:18Z)
• Guidance and Evaluation: Semantic-Aware Image Inpainting for Mixed Scenes [54.836331922449666]
  本稿では,SGE-Net(Semantic Guidance and Evaluation Network)を提案する。 セマンティックセグメンテーションマップをインペイントの各尺度のガイダンスとして利用し、そこで位置依存推論を再評価する。 混合シーンの現実画像に対する実験により,提案手法が最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-15T17:49:20Z)

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。