論文の概要: DAGS: Disentangled Appearance-and-Geometry Steering of a Frozen Image DiT for Temporally Stabilized Generative Rendering

• arxiv url: http://arxiv.org/abs/2610.02567v1
• Date: Thu, 01 Oct 2026 22:59:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.118206
• Title: DAGS: Disentangled Appearance-and-Geometry Steering of a Frozen Image DiT for Temporally Stabilized Generative Rendering
• Title（参考訳）: DAGS: 一時的に安定化された生成レンダリングのための凍結画像DiTのアンタングル形状と幾何形状のステアリング
• Abstract要約: DAGSは軽快で、無注意で、絡み合った外観と幾何学的条件付けスキームである。 2つの小さな畳み込みエンコーダは、フレーム毎に一度条件を計算し、これらを学習された、層ごとの要素単位の残差としてイメージトークンに注入する。 制御と時間的ハンドリングは凍結した後骨の外側に留まるので、私たちはその膨大な事前訓練を保ち、背骨過適合のリスクを排除します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion transformers (DiTs) generate high-fidelity images from text and image conditions, but their outputs carry large variance and their faithfulness to a desired target depends heavily on how the condition is supplied. We present DAGS, a lightweight, attention-free, disentangled appearance and geometry conditioning scheme that steers a frozen image DiT to produce high-fidelity, highly faithful, and independently controllable renders. Two small convolutional encoders compute conditioning features once per frame and inject them as a learned, per-layer, element-wise residual into the image tokens, avoiding the quadratic cost of stacking conditions through attention. Because control and temporal handling live outside the frozen backbone, we retain its vast pretrained prior and eliminate backbone-overfitting risk. We further add a small recurrent lighting stabilizer and a training-free temporal guidance term that, coupled with our conditioning, elevate a per-frame image model into a streaming renderer. DAGS produces controllable, high-quality renders at a fraction of the compute of path tracing; it is not real-time, trading compute for controllability and quality. On a matched 1-spp + G-buffer input, per-frame DAGS reconstructs +8.6 dB / +10.1 dB PSNR over the real-time denoiser Intel OIDN and the diffusion renderer RGB<->X while being 2.5-8x more temporally stable perceptually (temporal-LPIPS flicker).
• Abstract（参考訳）: 拡散変換器(DiT)は、テキストや画像条件から高忠実度画像を生成するが、その出力は大きなばらつきを持ち、所望の目標に対する忠実度は、その条件の供給方法に大きく依存する。 DAGSは,高忠実で忠実で,独立に制御可能なレンダリングを生成するために,凍結した画像DiTを操る軽量で,無注意で,絡み合った外観と幾何学的条件付けスキームである。 2つの小さな畳み込みエンコーダは、フレーム毎に1回だけ条件を計算し、それを学習された、層ごとの要素単位の残差としてイメージトークンに注入する。 制御と時間的ハンドリングは凍結した後骨の外側に留まるので、私たちはその膨大な事前訓練を保ち、背骨過適合のリスクを排除します。 さらに、最小限のリカレント照明安定化器と、トレーニング不要の時間誘導項を追加し、コンディショニングと組み合わせることで、フレーム単位の画像モデルをストリーミングレンダラーに高めます。 DAGSは、経路トレースの計算のごく一部で制御可能で高品質なレンダリングを生成する。 一致した1-spp + Gバッファ入力では、フレーム当たりDAGSはリアルタイムデノイザIntel OIDNと拡散レンダラーRGB<->Xに対して+8.6 dB / +10.1 dB PSNRを再構成する。

関連論文リスト

• ZoomDiff: A High-Fidelity Diffusion Model for Dual-Camera Smooth Zooming [52.06132693305164]
  デュアルカメラ間のデジタルズーム遷移は、幾何学的構造と色調の整合性において顕著な不連続性を示すことが多い。 本稿では,高忠実度拡散モデルであるZoomDiffを提案する。
  論文  参考訳（メタデータ） (2026-09-23T13:22:58Z)
• EvLIR: Learning Illumination Residuals from Ordered Events for Low-Light Image Enhancement [13.751247283539177]
  EvLIRは、低照度画像強調のための順序付けられたイベントから照明残差を学習する。 SDEおよびSDSD屋内/屋外ベンチマークでは、EvLIRは12組のデータセットメトリックペアのうち11組で最高の結果を得る。
  論文  参考訳（メタデータ） (2026-06-28T14:47:49Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• ReMATF: Recurrent Motion-Adaptive Multi-scale Turbulence Mitigation for Dynamic Scenes [4.282240730573401]
  大気の乱流は、幾何学的歪み、ぼかし、時間的ひねりなどの歪みを導入することで、映像の品質を著しく低下させる。 本稿では,空間的詳細と時間的安定性を保ちながら,同時に2フレームのみを使用して映像を復元する軽量なリカレントフレームワークであるReMATFを提案する。
  論文  参考訳（メタデータ） (2026-05-20T17:28:49Z)
• Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation [36.41177812868683]
  遅延拡散モデルは高品質な画像を生成するのに優れるが、エンドツーエンドのモデリングの利点は失われる。 本稿では,生の自然画像上での潜伏拡散の効率性を実現するため,既存のアーキテクチャを簡易に修正した潜伏強制法を提案する。 Latent Forcingは、我々の計算スケールで拡散トランスフォーマーベースのピクセル生成のための新しい最先端を実現する。
  論文  参考訳（メタデータ） (2026-02-11T22:09:58Z)
• FrameDiffuser: G-Buffer-Conditioned Diffusion for Neural Forward Frame Rendering [7.4570191712029965]
  本稿では,時間的に一貫したフォトリアリスティックなフレームを生成する自動回帰型ニューラルレンダリングフレームワークであるFrameDiffuserを紹介する。 我々は、モデルを個別の環境に特化し、広範囲な一般化よりも一貫性と推論速度を優先する。
  論文  参考訳（メタデータ） (2025-12-18T15:41:08Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)

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。