論文の概要: PreviewDiff: Multimodal Critic-Guided Search over Diffusion Latents
- arxiv url: http://arxiv.org/abs/2609.36199v1
- Date: Mon, 28 Sep 2026 20:00:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.981535
- Title: PreviewDiff: Multimodal Critic-Guided Search over Diffusion Latents
- Title（参考訳）: PreviewDiff: 拡散遅延に対するマルチモーダルな批判的ガイド付き検索
- Abstract要約: そこで本研究では,スカラーサーチからの拡散サンプリングを中間潜伏者に対する批判誘導サーチに変換する,トレーニング不要なテストタイムサーチ手法であるPreviewDiffを紹介する。
選択された装飾チェックポイントにおいて、PreviewDiffは部分的なプレビューをデコードし、マルチモーダルの裁判官にスコアと批評を依頼し、結果の自然言語フィードバックを使用してセマンティックプロンプト編集と局所的に再通知された潜伏継続を分岐する。
画像とビデオ生成のベンチマークを通じて、PreviewDiffは予算に適合したベストオブNの選択と強力なスカラー検索ベースラインを一貫して改善している。
- 参考スコア（独自算出の注目度）: 44.911246512310235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models can produce striking images and videos, but they still struggle with the compositional details that make a generation faithful to a prompt, such as object counts, attribute binding, spatial relations, and temporally grounded actions. A common way to improve prompt satisfaction is to spend more compute at test time through Best-of-N sampling, but final-sample selection is fixed. Best-of-N can only choose among completed outputs and cannot repair a promising trajectory before it fails. We introduce PreviewDiff, a training-free test-time search method that turns diffusion sampling from scalar search into a multimodal critic-guided search over intermediate latents. At selected denoising checkpoints, PreviewDiff decodes a partial preview, asks a multimodal judge to score and critique it, and uses the resulting natural-language feedback to branch over semantic prompt edits and locally re-noised latent continuations. These branches are then scored and selectively rolled forward, allowing verifier compute to guide generation while the sample is still editable. Across image and video generation benchmarks, PreviewDiff consistently improves over budget-matched Best-of-N selection and strong scalar-search baselines. Ablations show that earlier interventions and increased search width provide the largest gains, while deeper search and additional semantic variants offer complementary improvements. PreviewDiff demonstrates that multimodal feedback is most useful not only as a final verifier, but as an active controller inside the denoising process.
- Abstract（参考訳）: 拡散モデルは印象的な画像やビデオを生成することができるが、それでもオブジェクト数、属性結合、空間関係、時間的根拠のある行動といったプロンプトに忠実な世代を構成上の詳細に苦慮している。
迅速な満足度を改善する一般的な方法は、Best-of-Nサンプリングを通じてテスト時により多くの計算を費やすことであるが、最終サンプルの選択は固定されている。
Best-of-Nは完了した出力の中からのみ選択でき、失敗する前に有望な軌道を修復することはできない。
本研究では,スカラーサーチからの拡散サンプリングを中間潜伏者に対するマルチモーダル批評家誘導サーチに変換する,トレーニング不要なテストタイムサーチ手法であるPreviewDiffを紹介する。
選択された装飾チェックポイントにおいて、PreviewDiffは部分的なプレビューをデコードし、マルチモーダルの裁判官にスコアと批評を依頼し、結果の自然言語フィードバックを使用してセマンティックプロンプト編集と局所的に再通知された潜伏継続を分岐する。
これらの分岐は、選択的に前方に展開され、検証器計算は、サンプルが編集可能である間、生成をガイドすることができる。
画像とビデオ生成のベンチマークを通じて、PreviewDiffは予算に適合したベストオブNの選択と強力なスカラー検索ベースラインを一貫して改善している。
アブレーションは、早期の介入と検索幅の増加が最大の利益をもたらす一方で、より深い検索と追加のセマンティックなバリエーションは補完的な改善をもたらすことを示している。
PreviewDiffは、マルチモーダルフィードバックはファイナル検証だけでなく、デノナイジングプロセス内のアクティブコントローラとしても最も有用であることを示した。
関連論文リスト
- Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。
Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。
Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
論文 参考訳（メタデータ） (2026-09-29T07:58:49Z) - Image Diffusion Preview with Consistency Solver [86.95276270716477]
ユーザ評価のための予備出力を生成するために,高速かつ低ステップサンプリングを用いた新しいパラダイムであるDiffusion Previewを導入する。
既存のアクセラレーション手法では、トレーニング不要の解決器や訓練後の蒸留が高品質なプレビューを提供するのに苦労している。
強化学習による軽量で訓練可能な高次解法である一般線形多段法から導出した一貫性器を提案する。
論文 参考訳（メタデータ） (2025-12-15T17:47:49Z) - Sample, Scrutinize and Scale: Effective Inference-Time Search by Scaling Verification [35.347715518778095]
本研究では,サンプリングに基づく探索を規定するスケーリング傾向について検討する。
サンプリングベース検索の最小限の実装を単純にスケールアップするだけで、実用的な推論法が得られます。
テスト時間計算で自己検証能力を改善するための2つの有用な原則を同定する。
論文 参考訳（メタデータ） (2025-02-03T21:31:07Z) - DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。
本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。
この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
論文 参考訳（メタデータ） (2024-09-28T15:03:28Z) - Improving Out-of-Distribution Generalization of Neural Rerankers with
Contextualized Late Interaction [52.63663547523033]
マルチベクトルの最も単純な形式である後期相互作用は、[]ベクトルのみを使用して類似度スコアを計算する神経リランカにも役立ちます。
異なるモデルサイズと多様な性質の第一段階のレトリバーに一貫性があることが示される。
論文 参考訳（メタデータ） (2023-02-13T18:42:17Z) - A Closer Look at Debiased Temporal Sentence Grounding in Videos:
Dataset, Metric, and Approach [53.727460222955266]
テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。
最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。
偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
論文 参考訳（メタデータ） (2022-03-10T08:58:18Z)
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。