論文の概要: Think Before You Paint: Recursive Latent Reasoning for Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.09876v1
• Date: Wed, 07 Oct 2026 11:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.877489
• Title: Think Before You Paint: Recursive Latent Reasoning for Diffusion Models
• Title（参考訳）: 絵を描く前に考える:拡散モデルのための再帰的潜在推論
• Abstract要約: 拡散モデルは現実的なイメージを生成するが、視覚的推論タスクでは失敗することが多い。 このような推論を、記号表現が利用できないピクセルにどのように転送できるかを問う。 制御ネットアダプタを用いて凍結拡散モデルを操るネットワークPainterer-Thinker(PaTh)を提案する。
• 参考スコア（独自算出の注目度）: 10.500652746850106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models generate realistic images but often fail on visual reasoning tasks, such as filling in a Sudoku or drawing the path through a maze. When a discrete symbolic representation is available, recursive methods such as the Tiny Recursive Model (TRM) solve even hard instances of these puzzles. We ask how such reasoning can be carried over to pixels, where no symbolic representation is available. We propose Painter-Thinker (PaTh): a small recursive network (the Thinker) reasons over a grid of learned tokens that encode the noisy image and the conditioning, refines a latent state within every denoising step, and steers a frozen diffusion model (the Painter) through ControlNet adapters. The Thinker is trained with the standard reconstruction loss alone, without symbolic targets, a solver, or a verifier. PaTh solves 92.5% of hard MNIST Sudoku puzzles (prior best 75%) and 71.2% of extreme ones (prior best 4.1%), with 10M parameters against 82M for a standard diffusion model. It also improves on mazes, Queens, and CLEVR scenes with specified spatial relations, and its advantage grows with problem size. Diagnostic experiments show that PaTh recovers from injected mistakes that the diffusion model cannot repair, especially when many cells are wrong. Together, these results show that reasoning mechanisms developed for symbolic data can be integrated into pixel-space diffusion without symbolic supervision, opening a path toward generating data under increasingly complex constraints.
• Abstract（参考訳）: 拡散モデルは現実的なイメージを生成するが、スドクを埋めたり迷路を通り抜けたりといった視覚的推論のタスクでは失敗することが多い。 離散記号表現が利用できる場合、Tiny Recursive Model (TRM) のような再帰的手法はこれらのパズルの難解な例を解く。 このような推論を、記号表現が利用できないピクセルにどのように転送できるかを問う。 ノイズの多い画像と条件をエンコードする学習トークンのグリッド上の小さな再帰的ネットワーク(Thinker)の理由としてPainterer-Thinker(PaTh)を提案する。 シンガーは、象徴的な目標、解決者、検証者なしで、標準的な再建損失だけで訓練される。 PaTh はハード MNIST Sudoku パズルの92.5%(最善75%)と極度のパズルの71.2%(最善4.1%)を解き、標準拡散モデルでは10M が82M に対して解いた。 また、迷路、クイーンズ、CLEVRのシーンを特定の空間的関係で改善し、その利点は問題の大きさによって増大する。 診断実験により、PaThは拡散モデルでは修復できない、特に多くの細胞が間違っていれば、注入ミスから回復することが示された。 これらの結果は,シンボルデータのために開発された推論機構を,記号的監督なしにピクセル空間拡散に統合し,より複雑な制約の下でデータ生成への道を開くことを示唆している。

関連論文リスト

• Guiding Registration with Emergent Similarity from Pre-Trained Diffusion Models [16.2208278847136]
  自然のRGB画像を生成するために専用に訓練されたオフザシェルフ拡散モデルは、医用画像における意味論的意味のある対応を識別できる。 本稿では,拡散モデルの特徴を類似度尺度として活用して,変形可能な画像登録ネットワークを導くことを提案する。
  論文  参考訳（メタデータ） (2025-06-03T04:07:04Z)
• $\infty$-Brush: Controllable Large Image Synthesis with Diffusion Models in Infinite Dimensions [58.42011190989414]
  無限次元における新しい条件拡散モデル、制御可能な大画像合成のための$infty$-Brushを導入する。 我々の知る限り、$infty$-Brushは関数空間における最初の条件拡散モデルであり、最大4096times4096$ピクセルの任意の解像度で画像を制御できる。
  論文  参考訳（メタデータ） (2024-07-20T00:04:49Z)
• Taming Latent Diffusion Model for Neural Radiance Field Inpainting [63.297262813285265]
  ニューラル・ラジアンス・フィールド(NeRF)は多視点画像からの3次元再構成の表現である。 本研究では,シーンごとのカスタマイズによる拡散モデルの傾向の緩和と,マスキングトレーニングによるテクスチャシフトの緩和を提案する。 我々のフレームワークは、様々な現実世界のシーンに最先端のNeRF塗装結果をもたらす。
  論文  参考訳（メタデータ） (2024-04-15T17:59:57Z)
• Iterative Token Evaluation and Refinement for Real-World Super-Resolution [77.74289677520508]
  実世界の画像超解像(RWSR)は、低品質(LQ)画像が複雑で未同定の劣化を起こすため、長年にわたる問題である。 本稿では,RWSRのための反復的トークン評価・リファインメントフレームワークを提案する。 ITERはGAN(Generative Adversarial Networks)よりも訓練が容易であり,連続拡散モデルよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2023-12-09T17:07:32Z)
• Unlimited-Size Diffusion Restoration [5.841366452509529]
  本稿では,拡散型ゼロショット画像復元法を用いて任意のサイズに対処する方法に焦点を当てる。 レンジ・ヌル空間分解に着想を得て,局所的不整合に対処するマスク・シフト復元法を提案する。 我々の単純でパラメータフリーなアプローチは、画像復元だけでなく、無制限サイズの画像生成にも利用できる。
  論文  参考訳（メタデータ） (2023-03-01T09:30:48Z)
• High-Fidelity Guided Image Synthesis with Latent Diffusion Models [50.39294302741698]
  提案手法は, ユーザ満足度スコアを85.32%以上上回り, 従来の最先端技術よりも優れていた。 人的ユーザ調査の結果、提案手法は、全体のユーザ満足度スコアにおいて、従来の最先端技術よりも85.32%以上優れていたことが示されている。
  論文  参考訳（メタデータ） (2022-11-30T15:43:20Z)
• Interpretations Steered Network Pruning via Amortized Inferred Saliency Maps [85.49020931411825]
  限られたリソースを持つエッジデバイスにこれらのモデルをデプロイするには、畳み込みニューラルネットワーク(CNN)圧縮が不可欠である。 本稿では,新しい視点からチャネルプルーニング問題に対処するために,モデルの解釈を活用して,プルーニング過程を解析する手法を提案する。 本研究では,実時間スムーズなスムーズなスムーズなスムーズなマスク予測を行うセレクタモデルを導入することで,この問題に対処する。
  論文  参考訳（メタデータ） (2022-09-07T01:12:11Z)

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。