論文の概要: BudgetPix: Compute-Adaptive Tokenization for Pixel-Space Image Diffusion

• arxiv url: http://arxiv.org/abs/2610.12307v1
• Date: Thu, 08 Oct 2026 16:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.196023
• Title: BudgetPix: Compute-Adaptive Tokenization for Pixel-Space Image Diffusion
• Title（参考訳）: BudgetPix: ピクセル空間画像拡散のためのコンピュータ適応型トークン化
• Abstract要約: BudgetPixは、視覚的複雑さと空間的レイアウトに基づいて動的に計算を割り当てる適応トークン化フレームワークである。 既存のピクセル空間拡散アーキテクチャと統合されており、単一のチェックポイントを幅広い計算予算で操作することができる。 MeanFlowのバックボーンを使用したクラス条件生成では、BudgetPixは、ほぼゼロ品質の劣化を伴う画像を生成するために、完全な計算予算の60%しか必要としない。
• 参考スコア（独自算出の注目度）: 14.121094428006016
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most image generation models rely on uniform tokenization, allocating the exact same computational budget to equally-sized image patches. This static paradigm cannot adapt to different resource constraints at inference time, and yields suboptimal quality-cost tradeoff by devoting the same effort to both plain backgrounds and intricate details. We propose BudgetPix, an adaptive tokenization framework that dynamically allocates compute based on visual complexity and spatial layout, enabling flexible computational budgeting at inference time. BudgetPix comprises three key components: (1) an adaptive encoder that maps a fixed-size image to a variable-length token sequence using an entropy-guided quadtree alongside a multi-scale patch embedder; (2) a scale-aware decoder reconstructs fixed-resolution images from multi-scale token sets; and (3) a flexible training and sampling schedule that enables pixel-space denoisers to operate across variable token counts. BudgetPix seamlessly integrates with existing pixel-space diffusion architectures, enabling a single checkpoint to be operated at a wide range of compute budgets. Evaluated on text-to-image generation, BudgetPix matches the fidelity of MiniT2I-L at $512^2$ and PixelDiT at $1024^2$ using just 25% of the original compute budget. In class-conditional generation using a MeanFlow backbone, BudgetPix requires merely 60% of the full compute budget to produce images with near-zero quality degradation, observing a marginal 0.8-point increase in FID. Comprehensive assessments by human and VLM judges confirm that BudgetPix establishes a significantly improved quality-efficiency tradeoff over prior budget-adaptive baselines. More details are available at our project page: https://karaozgur.com/BudgetPix
• Abstract（参考訳）: ほとんどの画像生成モデルは均一なトークン化に依存しており、同じ計算予算を等サイズの画像パッチに割り当てている。 この静的パラダイムは、推論時に異なるリソース制約に適応できず、単純なバックグラウンドと複雑な詳細の両方に同じ労力を費やすことで、最適な品質とコストのトレードオフをもたらす。 本稿では,視覚的複雑性と空間的レイアウトに基づいて動的に計算を割り当てる適応トークン化フレームワークであるBudgetPixを提案する。 BudgetPixは、(1)エントロピー誘導クアッドツリーを用いて可変長のトークンシーケンスに固定サイズ画像をマッピングする適応エンコーダ、(2)スケール認識デコーダはマルチスケールのトークンセットから固定解像度のイメージを再構成する、(3)ピクセル空間のデノイザが可変トークンカウントをまたいで動作できるようにする柔軟なトレーニングとサンプリングのスケジュールを含む3つのキーコンポーネントから構成される。 BudgetPixは既存のピクセル空間拡散アーキテクチャとシームレスに統合され、単一のチェックポイントを幅広い計算予算で動作させることができる。 BudgetPixはテキスト・画像生成に基づいて、MiniT2I-Lの忠実度を512^2$で、PixelDiTは1024^2$で、オリジナルの計算予算の25%しか使っていない。 MeanFlowのバックボーンを用いたクラス条件生成では、BudgetPixは、FIDの限界0.8ポイント増加を観察し、ほぼゼロ品質の画質劣化の画像を生成するために、完全な計算予算の60%しか必要としない。 人間とVLMの審査員による総合的な評価は、BudgetPixが以前の予算適応ベースラインよりも大幅に改善された品質効率トレードオフを確立することを確認している。 詳細はプロジェクトのページ(https://karaozgur.com/BudgetPix)で確認できます。

関連論文リスト

• AdaTok: Self-Budgeting Image Tokenization with Quality-Preserving Dynamic Tokens [39.0104982235623]
  自己予算の離散1DトークンであるAdaTokを提案する。 AdaTokは、トークンをネストしたテールマスクで注文する優先順位付き表現学習と、Adaptive Token Allocationを組み合わせたものだ。 ImageNet-1Kでは、AdaTok-Fullが256トークンでrFID 1.31に達し、AdaTok-Adaptiveは118トークンでrFID 1.50を達成する。
  論文  参考訳（メタデータ） (2026-06-05T11:49:28Z)
• ZipSplat: Fewer Gaussians, Better Splats [89.08529100444004]
  本稿では,ガウス配置を画素グリッドから分離するトークンベースのフィードフォワードモデルZipSplatを提案する。 クロスアテンションとセルフアテンションはこれらのトークンを洗練させ、単一のトレーニングされたモデルは、再トレーニングせずに品質-効率曲線にまたがる。 ZipSplatは、画期的なポーズや内在的ポーズなしで動作しますが、DL3DVとRealEstate10Kに新しい状態を設定します。
  論文  参考訳（メタデータ） (2026-06-03T17:04:30Z)
• PixNerd: Pixel Neural Field Diffusion [30.872185815524286]
  本稿では、ニューラルネットワークを用いてパッチワイズデコーディングをモデル化し、単一スケール、単一ステージ、効率的、エンドツーエンドのソリューションを提案する。 PixNerdの効率的なニューラルネットワーク表現のおかげで、ImageNetで2.15 FID、ImageNetで2.56times256$、2.84 FIDを、複雑なカスケードパイプラインやVAEなしで直接達成しました。
  論文  参考訳（メタデータ） (2025-07-31T06:07:20Z)
• Sparse VideoGen2: Accelerate Video Generation with Sparse Attention via Semantic-Aware Permutation [84.00166854547241]
  拡散変換器(DiT)はビデオ生成に必須であるが,注意の2次複雑さにより遅延が著しく低下する。 SVG2は,識別精度を最大化し,無駄を最小化する学習自由フレームワークである。
  論文  参考訳（メタデータ） (2025-05-24T21:30:29Z)
• Video Frame Interpolation with Many-to-many Splatting and Spatial Selective Refinement [83.60486465697318]
  本稿では,フレームを効率的に補間するM2Mスプレイティングフレームワークを提案する。 入力フレームペアごとに、M2Mは任意の数のフレーム間を補間する際の計算オーバーヘッドが極小である。 フレキシブルな空間選択リファインメント(Spatial Selective Refinement)コンポーネントを導入して,M2M++フレームワークを拡張した。
  論文  参考訳（メタデータ） (2023-10-29T09:09:32Z)
• PixArt-$\alpha$: Fast Training of Diffusion Transformer for Photorealistic Text-to-Image Synthesis [108.83343447275206]
  本稿では,トランスフォーマーを用いたT2I拡散モデルであるPIXART-$alpha$について述べる。 最大1024pxまでの高解像度画像合成をサポートし、訓練コストが低い。 PIXART-$alpha$は画質、芸術性、セマンティックコントロールに優れていた。
  論文  参考訳（メタデータ） (2023-09-30T16:18:00Z)
• Continuous Cost Aggregation for Dual-Pixel Disparity Extraction [3.1153758106426603]
  本稿では,Dual-Pixel (DP) 画像の連続的コスト集約手法を提案する。 提案アルゴリズムは、画像パスに沿ってパラボラ係数を集約し、コストのマッチングにパラボラを適合させる。 デジタル一眼レフカメラと電話カメラのDPデータを用いた実験により,提案手法がDP差分推定における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-13T17:26:50Z)

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。