論文の概要: V-Engram: Trigger-Indexed External Memory for Modular Text-to-Image Personalization
- arxiv url: http://arxiv.org/abs/2609.37198v1
- Date: Tue, 29 Sep 2026 10:17:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.414755
- Title: V-Engram: Trigger-Indexed External Memory for Modular Text-to-Image Personalization
- Title（参考訳）: V-Engram:Modular Text-to- Image Personalizationのためのトリガーインデックス外付けメモリ
- Abstract要約: V-Engramは、安定拡散3.5のためのトリガーインデックス付き外部メモリ機構である。
V-Engram は全般的な主観的忠実度においてドリームブース・ロラと広く一致し,文脈的主観的保存のような設定において優位性を示す。
- 参考スコア（独自算出の注目度）: 12.846536061332051
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pretrained text-to-image models contain broad visual knowledge, yet they cannot reliably acquire or refine a specific visual identity from only a few references while preserving compositional control. Token-embedding methods are compact but often underfit identity, whereas adapter-based methods improve fidelity through persistent weight updates that can be costly to store and interfere when concepts are composed. We introduce V-Engram, a trigger-indexed external memory mechanism for Stable Diffusion 3.5. Each concept is assigned an explicit trigger that retrieves concept-specific memory, whose gated directions enter frozen text-encoder and MMDiT context states as relative residuals. Separating this memory from backbone adaptation enables prompt-selective and multi-concept access without merging model updates. Experiments show that V-Engram broadly matches DreamBooth-LoRA in overall subject fidelity while showing advantages in settings such as contextual subject preservation. Prompt-matched loading retrieves only matched entries, reducing most additional adaptation-state loading for a single-concept query. Qualitative results further demonstrate paired-trigger composition and same-class separation, while prompts without registered entries retain the frozen model's base behavior. Together, these results establish trigger-indexed memory as a modular interface for adding targeted visual evidence without rewriting the generator.
- Abstract（参考訳）: 事前訓練されたテキスト・ツー・イメージモデルには、幅広い視覚的知識が含まれているが、構成制御を維持しながら、少数の参照のみから特定の視覚的アイデンティティを確実に取得または洗練することはできない。
Token-embedding法はコンパクトだが、しばしば不適合な同一性を持つが、アダプタベースの手法は、概念が構成された時に保存・干渉するのにコストがかかる、持続的な重み更新によって忠実性を改善する。
安定拡散3.5のためのトリガーインデックス付き外部メモリ機構であるV-Engramを紹介する。
各概念には明示的なトリガが割り当てられており、ゲート方向が凍結されたテキストエンコーダに入り、MMDiTコンテキスト状態が相対的な残差として現れる。
このメモリをバックボーン適応から分離することで、モデル更新をマージすることなく、プロンプト選択およびマルチコンセプトアクセスが可能になる。
実験の結果, V-Engram は全体主観的忠実度においてドリームボスロラと広く一致し, 文脈的主観的保存のような設定において優位性を示した。
Prompt-matchedローディングは、マッチしたエントリのみを検索し、単一のコンセプションクエリに対して、ほとんどの追加のアダプション状態ローディングを削減する。
定性的な結果はさらに、ペアトリガー合成と同クラスの分離を示す一方で、登録されたエントリを持たないプロンプトは、凍結モデルの基底挙動を保持する。
これらの結果は、ジェネレータを書き換えることなく、ターゲットとする視覚的エビデンスを追加するためのモジュールインターフェースとしてトリガーインデックスメモリを確立する。
関連論文リスト
- SubjectAnchor: Subject-Aware Memory-to-Video for Multi-Shot Storytelling [21.646374427564144]
本稿では,過去の映像から抽出した明示的な視覚記憶を条件に,現在の映像を生成するマルチショットストーリーテリングのパラダイムであるAnchorを提案する。
SubjectAnchorには、主観的関連メモリ構成、主観的対応の時間的回転位置符号化、メモリ対応の注意分割という3つの重要なコンポーネントが含まれている。
実験により、Anchorは、競争力のある視覚的品質を維持しながら、代表的なメモリベースおよび全体的ベースラインよりも、ショット間のアイデンティティ整合性を向上することが示された。
論文 参考訳（メタデータ） (2026-09-28T07:47:44Z) - AutoConcept: Training-Free Concept-Guided Reranking for Metadata-Available Composed Image Retrieval [6.071234927011628]
合成画像検索(CIR)は、基準画像から目標画像とテキスト修正とを検索する。
本稿では,概念証拠を解釈可能なメモリに変換するトレーニング不要のリランカであるAutoConceptを紹介する。
FashionIQでは、AutoConceptはWeiMoCIRよりも大幅に早期に改善され、LinCIR候補プールでは一貫したプラグインゲインが得られる。
論文 参考訳（メタデータ） (2026-09-01T16:00:25Z) - Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner [55.80248281761638]
マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。
本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
論文 参考訳（メタデータ） (2026-08-24T13:56:01Z) - ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval [62.80735412748694]
ConceptFormerは、ビジュアル文書検索のための潜在概念表現学習フレームワークである。
クエリ関連エビデンスとは、局所化された視覚的エビデンスとセマンティックな関連性を明確に橋渡しする、連続的でクエリ条件付き潜在概念である。
平均的なNDCG@10では、最強のビジュアル検索ベースラインと最強のOCRベースのテキスト検索ベースラインに対して16.7%と22.1%の相対的な改善が達成されている。
論文 参考訳（メタデータ） (2026-08-16T12:07:12Z) - Unified Multimodal Autoregressive Modeling with Shared Context-Visual Tokenizer is Key to Unification [80.62512020268626]
UniARは統合された自己回帰フレームワークであり、単一のビジュアルトークン化器が理解と生成の鍵となる。
UniARは、マルチレベル特徴融合とルックアップフリービットワイド量子化スキームを備えた事前訓練されたビジョンエンコーダを適応する。
拡散に基づく視覚デコーダは、離散的な視覚トークンで高忠実度画像をデコードする。
論文 参考訳（メタデータ） (2026-06-16T17:59:22Z) - EM-Vid: Training-Free Entity-Centric Memory for Efficient and Consistent Multi-Shot Video Generation [18.052867824594347]
マルチショットビデオ生成には、ショット間で連続的なエンティティの出現を維持する必要がある。
最近の自己回帰手法は、以前生成されたフレームをメモリとして再利用する。
我々は、潜伏パッチのエンティティインデックスバンクという形でエンティティ中心のメモリを提案する。
論文 参考訳（メタデータ） (2026-05-22T13:20:29Z) - Tiny-Engram: Trigger-Indexed Concept Tables for Generative Vision [9.538470992436883]
小さく明示的な概念テーブルは、モジュール化された視覚的パーソナライゼーションへの実践的なルートである。
Tiny-Engramは、各概念を、登録されたn-gramマッチによってインデックスされた小さなメモリエントリのセットとしてパラメータ化する。
結果は,小型で明示的な概念表が,モジュール化された視覚的パーソナライゼーションへの実践的な経路であることを示唆している。
論文 参考訳（メタデータ） (2026-05-19T16:27:07Z) - UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation [65.53694602893042]
VLMエンコーディングの前にVTとVAE機能を融合した統合ビジュアルコンディショニングフレームワークを提案する。
2つのマルチ参照生成ベンチマークの実験により、UniCustomは主題の一貫性、命令従順、構成の忠実さを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-12T13:10:05Z) - Gate-and-Merge: Zero-shot Compositional Personalization of Vision Language Models [60.25065199948178]
共起学習を必要とせずに作曲のパーソナライズを可能にするフレームワークであるGate-and-Mergeを紹介する。
パーソナライゼーションの間、各概念は、概念トークンと組み合わせた軽量のLoRAアダプタとして独立に学習される。
推定では,概念固有のLoRA更新を重み空間に直接マージすることで構成を可能にする。
論文 参考訳（メタデータ） (2026-05-09T05:32:28Z)
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。