論文の概要: STEPS: Scene Text Editing with Preserved Style Using Diffusion and Contrastive Style Encoding

• arxiv url: http://arxiv.org/abs/2609.38636v1
• Date: Tue, 29 Sep 2026 22:52:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.817628
• Title: STEPS: Scene Text Editing with Preserved Style Using Diffusion and Contrastive Style Encoding
• Title（参考訳）: STEPS:DiffusionとContrastiveスタイルエンコーディングを用いた保存スタイルによるシーンテキスト編集
• Abstract要約: STEPS(Scene Text Editing with Preserved Style)は、画像の質の高いテキスト置換のための新しい拡散モデルアーキテクチャである。 STEPSは、スタイル保存の改善に焦点をあてて、STEにおける芸術の状態を前進させる。
• 参考スコア（独自算出の注目度）: 3.4354052395315677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Scene Text Editing with Preserved Style (STEPS), a novel diffusion model architecture for quality text replacement in images. Scene Text Editing (STE), also known as Visual Text Editing, consists of changing the textual content in an image while conserving the original style, e.g. font, colors, orientation, background, etc. STEPS advances the state of the art in STE through directed focus on improved style preservation. We introduce a style encoder for visual text that captures style independently of textual content, and a model architecture that combines the style encoder with multiple semantic conditions (target text characters encoding and rendered glyphs). STEPS achieves superior results to previous STE methods in style preservation, output readability, and subjective quality.
• Abstract（参考訳）: STEPS(Scene Text Editing with Preserved Style)は画像の質の高いテキスト置換のための新しい拡散モデルアーキテクチャである。 STE(Scene Text Editing)またはVisual Text Editing(Visual Text Editing)は、オリジナルのフォント、色、方向、背景などを保存しながら、画像内のテキストの内容を変更することで構成される。 STEPSはスタイル保存の改善に焦点をあてて、最先端のSTEを推し進めている。 テキストコンテンツとは無関係にスタイルをキャプチャする視覚テキスト用スタイルエンコーダと、スタイルエンコーダと複数のセマンティックな条件(グリフをエンコードして描画するターゲットテキスト文字)を組み合わせたモデルアーキテクチャを提案する。 STEPSは、スタイル保存、出力可読性、主観的品質において、従来のSTE手法よりも優れた結果が得られる。

関連論文リスト

• Self-Prompting Diffusion Transformer for Open-Vocabulary Scene Text Editing via In-Context Learning [30.48868859205432]
  シーンテキスト編集は、周囲の背景やテクスチャを保ちながら、画像のターゲット領域のテキストを変更することを目的としている。 既存の手法は、対象領域の視覚的詳細を無視しながら、画像背景情報のみに依存している。 本稿では,スタイルとグリフのプロンプトを原画像から直接作成する自己プロンプトシーンテキスト編集手法を提案する。
  論文  参考訳（メタデータ） (2026-05-15T01:44:17Z)
• DesignDiffusion: High-Quality Text-to-Design Image Generation with Diffusion Models [115.62816053600085]
  デザインイメージをテキスト記述から合成するフレームワークであるDesignDiffusionを提案する。 提案するフレームワークは,ユーザプロンプトから直接テキストおよびビジュアルデザイン要素を合成する。 視覚テキストから派生した特徴的な文字埋め込みを利用して入力プロンプトを強化する。
  論文  参考訳（メタデータ） (2025-03-03T15:22:57Z)
• StyleCrafter: Enhancing Stylized Text-to-Video Generation with Style Adapter [78.75422651890776]
  StyleCrafterは、トレーニング済みのT2Vモデルをスタイルコントロールアダプタで拡張する汎用的な方法である。 コンテンツスタイルのゆがみを促進するため,テキストプロンプトからスタイル記述を取り除き,参照画像のみからスタイル情報を抽出する。 StyleCrafterは、テキストの内容と一致し、参照画像のスタイルに似た高品質なスタイリングビデオを効率よく生成する。
  論文  参考訳（メタデータ） (2023-12-01T03:53:21Z)
• FASTER: A Font-Agnostic Scene Text Editing and Rendering Framework [19.564048493848272]
  STE(Scene Text Editing)は、画像中の既存のテキストの変更を主な目的とする、難しい研究課題である。 既存のスタイル変換ベースのアプローチでは、複雑な画像背景、多様なフォント属性、テキスト内の様々な単語長によるサブパー編集性能が示されている。 フォントに依存しない新しいシーンテキスト編集・レンダリングフレームワークであるFASTERを提案し,任意のスタイルや場所のテキストを同時に生成する。
  論文  参考訳（メタデータ） (2023-08-05T15:54:06Z)
• Improving Diffusion Models for Scene Text Editing with Dual Encoders [44.12999932588205]
  シーンテキスト編集(Scene text editing)は、特定のテキストを画像に修正または挿入する作業である。 拡散モデルの最近の進歩は、これらの制限をテキスト条件による画像編集で克服することを約束している。 デュアルエンコーダ設計による事前学習拡散モデルを改善するためにDIFFSTEを提案する。
  論文  参考訳（メタデータ） (2023-04-12T02:08:34Z)
• DiffStyler: Controllable Dual Diffusion for Text-Driven Image Stylization [66.42741426640633]
  DiffStylerは、拡散された結果の内容とスタイルのバランスを制御するための二重拡散処理アーキテクチャである。 本稿では、逆復調処理をベースとしたコンテンツ画像に基づく学習可能なノイズを提案し、そのスタイリング結果により、コンテンツ画像の構造情報をよりよく保存する。
  論文  参考訳（メタデータ） (2022-11-19T12:30:44Z)
• Fine-grained style control in Transformer-based Text-to-speech Synthesis [78.92428622630861]
  本稿では,Transformer-based text-to-speech synthesis (TransformerTTS) におけるきめ細かいスタイル制御を実現する新しいアーキテクチャを提案する。 参照音声から局所的スタイルトークン(LST)の時系列を抽出することにより、発話スタイルをモデル化する。 実験により, きめ細かいスタイル制御では, 自然性, 知能性, スタイル伝達性が向上することが示された。
  論文  参考訳（メタデータ） (2021-10-12T19:50:02Z)
• RewriteNet: Realistic Scene Text Image Generation via Editing Text in Real-world Image [17.715320405808935]
  シーンテキスト編集(STE)は、テキストとスタイルの複雑な介入のために難しい作業である。 本稿ではRewriteNetと呼ばれる新しい表現学習型STEモデルを提案する。 我々の実験は、RewriteNetが他の比較よりも定量的かつ定性的な性能を達成することを示した。
  論文  参考訳（メタデータ） (2021-07-23T06:32:58Z)

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。