論文の概要: Panoptic Scene Program Diffusion Transformer

• arxiv url: http://arxiv.org/abs/2609.31780v1
• Date: Thu, 24 Sep 2026 20:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 12:53:23.508451
• Title: Panoptic Scene Program Diffusion Transformer
• Title（参考訳）: Panoptic Scene Program Diffusion Transformer
• Abstract要約: Panoptic Scene Program Diffusion Transformer (PSP-DiT) は、パン光学シーンプログラムを第1級潜伏変数として扱う拡散変換器アーキテクチャである。 PSP-DiTは、コンバインドトランスフォーマーストリームを介して、画像潜像子とシーンプログラム潜像子を共同で認知する。 この方法は画質を保ち、過度な推論のオーバーヘッドを追加し、不完全なシーンプログラムに対して頑健である。
• 参考スコア（独自算出の注目度）: 0.08460698440162889
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern text-to-image models produce high-fidelity images but still struggle with compositional prompts that require instance identity, attribute ownership, counting, spatial ordering, and role-sensitive relations. We introduce Panoptic Scene Program Diffusion Transformer (PSP-DiT), a diffusion-transformer architecture that treats a panoptic scene program as a first-class latent variable rather than an external control signal or post-hoc parse. PSP-DiT jointly denoises image latents and scene-program latents through coupled transformer streams, while panoptic grounding and cycle-consistency objectives tie object instances, attributes, relations, and counts to visual support in the generated image. Under matched training and inference settings, PSP-DiT improves over a strong flat-text baseline across GenEval 2, SANEval-Simple, PSG-Score, and DetailMaster, with the largest gains on counting, attribute binding, role-sensitive relations, and long structured prompts. The method preserves image quality, adds modest inference overhead, and remains robust to imperfect scene programs.
• Abstract（参考訳）: 現代のテキスト・ツー・イメージモデルは、高忠実な画像を生成するが、それでも、インスタンスのアイデンティティ、属性の所有権、カウント、空間的な順序付け、役割に敏感な関係を必要とする構成的プロンプトに苦慮している。 本稿では,外部制御信号やポストホック解析ではなく,第1級潜伏変数としてパン光学シーンプログラムを扱う拡散変換器アーキテクチャであるPanoptic Scene Program Diffusion Transformer (PSP-DiT)を紹介する。 PSP-DiTは、コンバインドトランスフォーマーストリームを介して、画像潜時とシーンプログラム潜時を共同で認知し、一方、パノプティックグラウンドとサイクル一貫性の目的は、生成された画像のオブジェクトインスタンス、属性、リレーション、カウントを関連付ける。 一致したトレーニングと推論設定の下で、PSP-DiTはGenEval 2、SANEval-Simple、PSG-Score、DetailMasterにまたがる強力なフラットテキストベースラインを改善し、カウント、属性バインディング、ロールセンシティブな関係、長い構造化プロンプトで最大の利益を上げている。 この方法は画質を保ち、過度な推論のオーバーヘッドを追加し、不完全なシーンプログラムに対して頑健である。

関連論文リスト

• Aura: Consistent Multi-Subject Video Generation via VLM-Grounded Semantic Alignment [20.811984469709508]
  Auraは、高忠実でアイデンティティに一貫性のあるビデオ生成のための統一されたフレームワークである。 本稿では,映像コンテンツの密度と構造を記述したAIディレクターレベルのキャプションを紹介する。 専用データ構築パイプラインを通じて高品質なビデオオブジェクト画像データセットを構築する。
  論文  参考訳（メタデータ） (2026-07-05T13:54:33Z)
• Timage: A Generative Text-in-Image Paradigm for Fine-Tuning Vision-Language Models [22.803631190636313]
  我々は、マルチモーダル理解を入力で解決したアライメント問題として再キャストするパラダイムであるTimageを紹介する。 この研究は、意図的な入力再構成をマルチモーダル推論を強化するための強力なアーキテクチャニュートラルレバーとして位置づけている。
  論文  参考訳（メタデータ） (2026-06-18T08:40:41Z)
• 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)
• Images in Sentences: Scaling Interleaved Instructions for Unified Visual Generation [19.404516863003057]
  INSETは、テキスト命令内にネイティブ語彙として画像をシームレスに埋め込む統合生成モデルである。 本稿では,標準画像およびビデオデータセットから1500万件の高品質なインターリーブ付きサンプルを合成するスケーラブルなデータエンジンを提案する。 InterleaveBenchの結果は、INSETがマルチイメージの一貫性とテキストアライメントにおいて最先端の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-12T15:54:49Z)
• Semantic-Structural Alignment for Generative Pictorial Charts [59.45629259524998]
  画像チャートの自動合成のための生成フレームワークを提案する。 2つの並列外部制御信号によって誘導される二重条件生成タスクとしてこの問題をモデル化する。 本手法は,芸術的に魅力的で構造的に整合性のある図表を生成する。
  論文  参考訳（メタデータ） (2026-05-05T05:20:46Z)
• DynaST: Dynamic Sparse Transformer for Exemplar-Guided Image Generation [56.514462874501675]
  本稿では,動的スパースアテンションに基づくトランスフォーマーモデルを提案する。 このアプローチの核心は、ある位置がフォーカスすべき最適なトークン数の変化をカバーすることに特化した、新しいダイナミックアテンションユニットです。 3つの応用、ポーズ誘導型人物画像生成、エッジベース顔合成、歪みのない画像スタイル転送の実験により、DynaSTは局所的な詳細において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-07-13T11:12:03Z)
• Modeling Image Composition for Complex Scene Generation [77.10533862854706]
  本稿では,レイアウト・ツー・イメージ生成タスクにおける最先端結果を実現する手法を提案する。 本稿では,RGB画像をパッチトークンに圧縮した後,オブジェクト・トゥ・オブジェクト,オブジェクト・トゥ・パッチ,パッチ・トゥ・パッチの依存関係を探索するTransformer with Focal Attention (TwFA)を提案する。
  論文  参考訳（メタデータ） (2022-06-02T08:34:25Z)
• Diverse Image Inpainting with Bidirectional and Autoregressive Transformers [55.21000775547243]
  新規な双方向自己回帰トランス(BAT)を用いた画像インペインティングフレームワークBAT-Fillを提案する。 BAT-Fillは変換器とCNNの利点を2段階的に継承し、変換器の注意の二次的複雑さに制約されることなく高解像度のコンテンツを生成する。
  論文  参考訳（メタデータ） (2021-04-26T03:52:27Z)

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。